运筹学—第六章 非 线性规划.pptVIP

梯度法(最速下降法)步骤 梯度法计算举例 牛 顿 法的步骤 牛顿法计算举例 约束最优化方法 约束最优化问题的最优化条件 惩罚函数法 其中 约束最优化问题的最优化条件 令 K-T条件 惩罚函数法 思想：利用问题中的约束函数做出适当的带有参数的惩罚函数，然后在原来的目标函数上加上惩罚函数构造出带参数的增广目标函数，把(MP)问题的求解转换为求解一系列无约束非线性规划问题。 罚函数法 障碍函数法 罚函数法 设法适当地加大不可行点处对应的目标函数值，使不可行点不能成为相应无约束极小化问题的最优解。 罚函数 实际应用中，选取一个递增且趋于无穷的正罚函数参数列 其中 *** ** 罚函数法计算步骤 障碍函数法 在可行区域的边界上筑起一道“墙”，当迭代点靠近边界时，所构造的增广目标函数值陡然增大，于是最优点就被“挡”在可行区域内部了。 构造障碍函数 障碍函数法步骤 非线性规划 基本概念 凸函数和凸规划 一维搜索方法 无约束最优化方法 约束最优化方法 基本概念 非线性规划问题 非线性规划方法概述 非线性规划问题 例1 曲线的最优拟合问题 例2 构件容积问题 非线性规划 约束集或可行域 可行解或可行点 向量化表示 当p=0,q=0时，称为无约束非线性规划或者无约束最优化问题。 否则，称为约束非线性规划或者约束最优化问题。 二维问题的图解 【例6.3】我们考虑非线性规划问题： 目标函数和2个约束条件是： 1 1 x2 x1 ?3 2 R ?1 ?2 (4 , ?4) C = 3 C=5 X* 图6-1 最优解和极小点 凸函数和凸规划 凸函数及其性质 凸规划及其性质 凸函数的定义 定义6.3 设 为定义在n维欧氏空间中某凸集S上的函数，若对任何实数? (0? 1) 以及S中任意两点X(1)和X(2),恒有 ，则称 为定义在S上的凸函数。 若对任何实数? (0? 1) 以及S中任意两点X(1)和X(2),恒有 ,则称 为定义在S上的严格凸函数。 凸函数与凹函数的几何意义 x x(1) x(2) ?x(1)+(1) x(2) f(x(1)) f(x(2)) f (?x(1)+(1) x(2)) ?f (x(1))+ (1) f (x(2) ) (a) 凸函数 o x f (x) x(2) ?x(1)+(1) x(2) x(1) o f(x(1)) f (?x(1)+(1) x(2)) ?f (x(1))+ (1) f (x(2) ) f(x(2)) (b) 凹函数 图 6—2 凸函数的性质 凸函数的判 定 凸函数的判定 凸规划及其性质 约束集 如果(NLP)的约束集X是凸集，目标函数f是X上的凸函数，则(NLP)叫做非线性凸规划，或简称为凸规划。 定理 6.4 凸规划的任一局部最优解都是它的整体最优解。若目标函数为严格凸函数， 且最优解存在， 则其最优解必唯一。 凸规划的性质 非线性规划方法概述 非线性规划基本迭代格式 一维搜索方法 精确一维搜索方法 0.618法 Fibonacci法 非精确一维搜索方法 Goldstein法 Armijo法 Fibonacci法 Fibonacci法的步骤 Fibonacci法的步骤 Fibonacci法的步 骤 0.618法（近似黄金分割法） 第二节 无约束最优化方法 解析法：梯度法（最速下降法），牛顿法 直接法（搜索法） 梯度法（最速下降法） 已知某物体的温度 与时间t之间有如 下形式的经验函数关系： (*) 其中，，是待定参数。现通过测 试获得n组与t之间的实验数据， i=1，2，…,n。试确定参数，，， 使理论曲线(*)尽可能地与n个测试点 拟合。 设计一个右图所示的由圆锥和圆柱面 围成的构件，要求构件的表面积为S， 圆锥部分的高和圆柱部分的高x2之 比为a。确定构件尺寸，使其容积最 大。 设，,如下的数学模型称为非线性规划（NLP）： 令 ， 其中，，那么(NLP)可简记为 或者 定义6.2 对于非线性规划(NLP)，若，并且存在的一个 领域，使 ， 则称是(MP)的局部最优解或局部极小点，称是(MP)的局部 最优值或局部极小点。如果有 ， 则称是(MP)的严格局部最优解或严格局