机械优化设计方法第三章.pptVIP

第三章 优化设计方法的数学基础3-1 优化设计问题的几何意义 一、目标函数的等值面(线) 目标函数的值是评价设计方案优劣的指标。n维变量的目标函数，其函数图象只能在n+1维空间中描述出来。 当给定一个设计方案，即给定一组x1, x2, …, xn的值时，目标函数f(X)=f(x1, x2, …, xn)必相应有一确定的函数值； 若给定一个f(X)值,却有无限多组x1, x2,…, xn 值与之对应，也就是当f(X)=a时，X= [x1, x2,…, xn ]T在设计空间中对应有一个点集。 通常这个点集是一个曲面(二维是曲线，大于三维称超曲面)，称之为目标函数的等值面。当给定一系列的a值，即a=a1, a2, …时，相应有f(X)= a=a1, a2, …，这样可以得到一组超曲面族——等值面族。 等值面具有特性:即在一个待定的等值面上，尽管设计方案很多，但每一个设计方案的目标函数值都是相等的。 现以二维无约束最优化设计问题为例阐明其几何意义。 如图，二维目标函数f(X)=f(x1, x2)在以x1, x2和f(X)为坐标的三维坐标系空间内是一个曲面。在二维设计平面x1ox2中，每一个点X= [x1, x2]T都有一个相应的目标函数值f(X)=f(x1, x2)，它在图中反映为沿f(X)轴方向的高度。 二、约束最优解和无约束最优解 n维目标函数f(X)=f(x1, x2, …, xn)，若在无约束条件下极小化，即在整个n维设计空间寻找X*= [x1*, x2*, …, xn*]T使满足min f(X)= f(X*)，X ∈R n，其最优点X*、最优值f(X*)构成无约束最优解； 若在约束条件限制下极小化，即在可行域D中寻找 X*= [x1*, x2*, …, xn*]T使满足min f(X)= f(X*)， ，其最优点X*、最优值f(X*)则构成约束最优解。约束最优解和无约束最优解，无论在数学模型还是几何意义上，两者均是不同的概念。 等值钱表示了目标函数值的变化情况，越向里边的代表目标函数值越小。 显然其无约束最优解为目标函数等值线同心圆中心X*(1)=[x1*(1)，x2*(1)]T，f(X*(1))=0。 而其约束最优解则需在由约束线g1(X)=0，g2(X)=0，g3(X)=0，g4(X)=0组成的可行域D（阴影线里侧）内寻找使目标函数值为最小的点．由图可见约束曲线g4(X)=0与某等值线的一个切点X*(2)即为所求。 X*(2) =[x1*(2)，x2*(2)]T =[0.85，1.34] T，f( X*(2) )=3.80，为其约束最优解。 二维问题关于约束最优解和无约束最优解几问意义的讨论，同样可推广到高维问题。n个设计变量X= [x1, x2, …, xn]T组成设计空间。 在这个空间中的每一个点代表一个设计方案，此时n个变量具有确定的值。 当给定目标函数某一定值时，就在n维设计空间内构成一个目标函数的等值超曲面。给定目标函数一系列数值时就获得一系列目标函数的等值超曲面。这些等值超曲面反映了目标函数变化情况。 无约束最优点为这些等值超曲面的共同中心。 对于约束最优化问题，每一个约束条件在n维设计空间是一个约束超曲面,全部约束超曲面在设计空间中构成可行域D，在其上寻找目标函数值最小的点即为约束最优点。 这一点可以是目标函数等值超曲面与某个 约束超曲面的一个切点，也可以是目标函 数值较小的某些约束超曲面的交点(如图所 示的X*点)。 三、局部最优解和全域最优解 对无约束最优化问题，当目标函数不是单峰函数时，有多个极值点X*(1) ，X*(2)，…，如图所示。此时X*(1)和f(X *(1) )、X *(2) 和f(X *(2))均称为局部最优解。 如其中X *(1) 的目标函数值f(X *(1) )是全区域中所有局部最优解中的最小者，则称X *(1) 和f(X *(1) )和为全域最优解。 对于约束最优化问题，情况更为 复杂。它不仅与目标函数的性质 有关，而且还与约束条件及其函 数性质有关。如图3-5所示，目标 函数f(X)的等值线绘于图上，有两 个不等式约束g1(X)≥0，g2(X) ≥0， 构成两个可行域D1和D2。X*(1)、 X *(2) 、X *(3)分别是可行域内在某 一邻域目标函数值最小的点，都是 局部极小点，亦即X *(1)、f(X *(1)) ，X *(2)、f(X *(2) )，X *(3)、f(X *(3) )均称局部最优解。可知 X *(3) 为全域极小点，亦即X *(3) 和f(X *(3) )为全域最优解。 3-2函数的方向导