实验一工业生产的产量问题.docVIP

实验七　生产计划中的产量问题 【实验目的】 1．介绍无约束最优化方法的一些基本概念。 2．了解几种常见的无约束优化问题的求解方法，如迭代算法、最速下降法（梯度法）、牛顿法（Newton）、拟牛顿法。 3．学习掌握用MATLAB优化工具箱中的命令来求解无约束优化问题。 【实验内容】 某公司生产一种产品有甲、乙两个品牌，试讨论产销平衡下的最大利润。所谓产销平衡指公司的产量等于市场上的销量。利润既取决于销量和单件价格，也依赖于产量和单件成本。按照市场规律，甲种品牌的价格固然会随其销量的增长而降低；同时乙品牌销量的增长也会使甲的价格有稍微下降，根据实际情况，可以确定价格与销量成线性关系，即 　　　　　　　　＝300－2.35－0.09 乙的价格遵循同样的规律，有 ＝480－0.14－2.98 甲品牌的成本会随着其产量的增长而降低，按实际情况可假设为负指数关系，即有 　　　　　　　　＝38＋116 乙品牌的成本遵循同样的规律，有 　　　　　　　　＝94＋145 试确定甲、乙两种品牌的产量，使公司获得的总利润最大。 【实验准备】 无约束最优化方法是指在没有约束条件限制下，求多变量实值函数极值的方法。无约束最优化问题的数学表达式为 　　　　　　　　，　＝（，，…，）　　　　　　（1） 一般为非线性函数，是维实变量，实际上这是一个多元函数无条件极值问题。由于一个求极大值问题，可以添加负号的方式转化为求极小值问题，因此通常只讨论求极小值问题。应该注意的是，极值问题的解，即极值点，都是局部最优解，全局最优解只能从局部最优解的比较中得到。 如何求解无约束最优化问题（1）的最优解呢？一般是采用迭代方法，即先选择一个初始点，再寻找该点处的下降方向，我们称为搜索方向。在该方向上求极小点，得到一个新的点。这个新的点要优于原来的点，即新点处的目标函数值小于原来点处的目标函数值。然后在新点处再寻找下降方向和该方向上求极小点，……，如此下去，最终得到最优点。 因此，求解无约束最优化问题需解决两个问题：一是在某些方向上的一维极小点，我们也称为一维搜索；另一个是寻找某些点处的下降方向，这是无约束最优化方法中最重要的一个问题。我们先了解第一个问题最常用的搜索方法。 1．求一维极小的二点二次插值方法 设是点处的一个搜索方向，要在该方向上寻优问题，转化为求一维函数 　　　　　　　　＝（＋）　　　　　　　　　　　　　　　 （2） 的求极值问题。 最常用的一维搜索方法是插值法，即用某些点的函数值（或导数值）构造插值函数，用插值函数的极小点来近似函数的极小点。这里介绍一种有效的插值方法，称为二点二次插值方法，即用二点处的函数值和一个点处的导数值构造二次函数，反复用二次函数的极小点来逼近函数的极小点。 算法1　二点二次插值法 （1）取初始点（如＝0），初始步长（如＝1）和步长缩减因子（0，1）（如＝0.1），置精度要求，并计算＝，＝ （2）若＜0，则置＝；否则置＝－ （3）计算＝＋和＝ （4）如果≤＋（－），则置＝2，转（3） （5）计算＝－，＝，＝（） （6）若≤，则停止计算（作为极小点）；否则置＝，＝，＝，＝，转（2） 2．最速下降法 前面介绍了一维搜索的二点二次插值方法，下面讨论如何选择搜索方向的问题，我们先来看看两个概念。 定义1　称维向量（，，…，）T为函数在处的梯度，记为▽ 　　　　　　　　▽＝（，，…，）T　　　　　　　　　　　（3） 定义2　设是任意的单位向量，若极限存在，则称该极限为函数在处沿方向的一阶方向导数，简称为方向导数，记为，即 　　　　　　　　＝　　　　　　　　　　　　（4） 最速下降法的基本思想：选取一点作为初始点，计算该点的梯度▽，求该点处的最速下降方向，即令＝－▽，再沿方向前进，寻找该方向上的极小点，得到点，再计算▽，令＝－▽，沿方向前进，得到点，如此下去……具体算法如下： 算法2　最速下降法 （1）取初始点，置精度要求为，置＝1 （2）若||▽ ||＜，则停止计算（为无约束问题的最优解）；否则置 ＝－▽ （3）一维搜索，求一维问题 　　　　　　　　＝（） 得，置＝。 （4）置＝＋1，转步骤（2） 在算法中，为精度要求，即当梯度接近于0时，我们就认为达到极小点，终止计算。这样做的目的是避免算法产生死循环，算法中的一维搜索可用算法1来求解。 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位。其优点是工作量小，存储变量较少，初始点要求不高；缺点是收敛慢，效率不高，有时达不到最优解。下面介绍一种简单而直观的方法——Newton法。 3．牛顿法 将的二阶导数记作▽2＝（）是一个矩阵，称黑塞（Hessian）矩阵（简记）。当二阶偏导数连续时，是对称矩阵。 Newton法的基本思想是用一个二次函数去近似目标函数，然后精确地求出这个二次函数的极小点，