第二章优化设计的理论与数学基础解析.ppt

* * K-T条件可以表示为 非负乘子 * 对于凸规划问题(可行域为凸集,目标函数为凸函数),局部极值点和全域最优点相重合,但对于非凸规划问题则不然.如图: * K-T条件只能检验起作用约束的可行点,如下图中X*是约束极值点,但K-T条件对它不实用. * 例: 用 条件检验点 是否为目标函数 在不等式约束 、 条件下的约束最优点。 解：计算诸约束函数值 点是可行点，该点起作用约束函数为 计算 点有关诸梯度 * 解得： ，乘子均为非负， 故满足 条件，点 为约束极 值点，参看左图，亦得到证实。而且， 由于 是凸函数，可行域为凸集， 所以点 也是约束最优点。 代入式，求拉格朗日乘子 * 2.6 优化计算的数值解法及收敛条件 2.6.1 数值计算法的迭代过程 选初始点 x(0) 确定搜索方向 S(0), 沿S(0)搜索,步长为?(0) 求得第一个迭代点 x(1) o x1 x2 基本迭代公式: 步长 方向 步步下降 步步逼近 * 数值计算法的基本思想及迭代格式 ： 在设计空间从一个初始点x(0)出发，应用某一规定的算法,按某一方向S(0)和步长α(0)，产生改进设计的新点x(1) ，使满足F(x(1))F(x(0))，再以x(1)为新起点，仍应用同一算法,按某一方向S(1)和步长α(1)，产生第二个设计新点x(2) ，使满足F(x(2))F(x(1))，这样一步一步地搜索下去，依次得设计点x(1)、x(2)、x(3)、…x(k)、x(k+1)、…使目标函数值逐步下降，直至得到满足所规定精度要求的理论极小点 x(1)=x(0)+α(0)S(0) x(2)=x(1)+α(1)S(1) … x(k+1)=x(k)+α(k)S(k) 迭代格式: * 1）点距准则 2）函数下降量准则 或 3）梯度准则： 2.6.2 迭代计算的终止准则(收敛准则) * 作 业 题2、题7 P130 题1 * 机械创新设计(谢宋良，吴和平)，自编 * * 机械创新设计第二篇 机械创新设计第二篇 * 第二章 优化设计的理论与数学基础 2.1 目标函数的泰勒(Taylor)展开式 2.2 目标函数的等值线(面) 2.3 无约束目标函数极值点存在条件 2.4 凸集与凸函数 2.5 约束极值点存在条件 2 .6 优化计算的数值解法及收敛条件 * 二元二次函数 令: 则: 梯度: 验证: 二次函数的矩阵表示方法(补充) 其中：: * 二次函数的矩阵表示方法(补充) 例题:将F(X)=x12-2x1x2+x22-8x1+9x2+10写成矩阵表示式，并求其梯度。 解: 验证: * 2.1 目标函数的泰勒(Taylor)展开式 工程实际中的优化设计问题，常常是多维且非线性函数形式，一般较为复杂。为便于研究函数极值问题，需用简单函数作局部逼近，通常采用泰勒展开式 作为函数在某点附近的近似表达式，以近似于原函数。 一元函数f(x)在x(k)点的泰勒展开式： 二元函数F(X)= F(x1,x2)=在X(k)=[x1(k) x2(k) ]T点的泰勒展开式为： * 矩阵 形式 海赛矩阵 即: 其中: * 多元函数F(X)在X(k)=[x1(k) x2(k) xn(k) ]T点的泰勒展开式为： (二阶偏导数矩阵) n×n阶的对称方阵 同上： 一阶偏导数矩阵 称为函数在K点的梯度： 但其中： * 称为函数在 点的梯度.梯度是一个向量,其方向是函数在 点处数值增长最快的方向. * 2.2 目标函数的等值线(面) * * 函数的极值与极值点 2.3 无约束目标函数极值点存在条件 * 极值点存在条件 一元函数的情况 极值点存在的必要条件 的点称为驻点，极值点必为驻点，但驻点不一定为极值点。 极值点存在的充分条件 若在驻点附近 * (一)极值存在的必要条件: 各一阶偏导数等于零 H 驻点 二元函数的情况 多元函数的情况: * (二)极值存在的充分条件: 海赛矩阵H(X*)正定→点X*为极小点 海赛矩阵H(X*)负定→点X*为极大点 海赛矩阵H(X*)