最优化技术分析.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 在σ＞0，j=m+1,…,n中，若有某个σk对应xk的系数列向量Pk≤0，则此问题是无界，停止计算，否则，转入下一步。 根据max(σk＞0)=σk，确定xk为换入变量，按θ规则计算 可确定xl为换出变量。转入下一步。 以αlk为主元素进行迭代（即用高斯消去法或称为旋转运算），把xk对应的列向量 将XB列中的xl换为xk，得到新的单纯形表。重复2－5，直到终止。 二 非线性规划 逗留点方法 1. 无约束情况下的极值问题 函数求极值的问题是最优化的基本问题.对于某一对象,它的控制指标L是控制变量的函数: L =f(u1,u2,…,un) u1,u2,…,un取何值使得指标函数L最大(或最小)? 这是多元函数求极值问题. 二 非线性规划 逗留点方法 1. 无约束情况下的极值问题 对单变量: 是极值点的必要条件. 当 ,极值点之值极小. 对多变量: 是极值点的必要条件. 极值点之值极小的补充条件是二阶偏导数的矩阵是正定的,即行列式Ak(k=1,…n)是正的. Ak的元素 二 非线性规划 逗留点方法 1. 无约束情况下的极值问题 对无约束情况下的极值问题，首先根据一阶偏导数确定逗留点，然后用二阶偏导数进行检验是否为最优点。 例：把a（a0）分成三份，使这三份连乘，积为最大。 二 非线性规划 逗留点方法 2. 等式约束情况下的极值问题 目标函数：L(x,u)=L(x1,x2,…,xn,u1,…,um) 约束条件：fi (x,u)=0 （i=1,…,n） 上述问题可将条件极值问题转化为自由极值问题， 将等式约束的n方程，通过解隐函数的方法，将n个变量用其余的m 个变量表示，代入目标函数，目标函数变成m 个变量的无约束问题。通过逗留点方法可确定最优值。 例： L（ x1,x2, u ）=x12+2x22+3u f1(x1,x2, u )= x1+3u-3=0 f2(x1,x2, u )=4 x2+3u-12=0 二 非线性规划 逗留点方法 2. 等式约束情况下的极值问题 等式约束情况下的极值问题不通过解隐函数的方法， 直接求条件极值的另一种方法为拉格朗日乘数法。 目标函数：L(x,u)=L(x1,x2,…,xn,u1,…,um) 约束条件：fi (x,u)=0 （i=1,…,n） 构造拉格朗日函数： 二 非线性规划 逗留点方法 2. 等式约束情况下的极值问题 可以证明函数H的逗留点即为函数L的逗留点。 确定逗留点的条件为： 二 非线性规划 逗留点方法 3. 不等式约束情况下的极值问题 目标函数：L(y)=L(y) 约束条件：fi (y)?bi （i=1,…,n） 上述问题可通过松弛变量将不等式转化为等式： fi (y)+vj2-bi=0 然后通过拉格朗日乘数法，有： 二 非线性规划 逗留点方法 3. 不等式约束情况下的极值问题 逗留点的必要条件： 因为： vj2= bi - fi (y) 即 故条件极值可描述为（也称Kuhn-Tucker条件）： 二 非线性规划 直接方法 求非线性规划的逗留点方法在变量和约束条件较多时，计算量大。另一种方法可采用直接搜索方法。 直接搜索方法的基本思想是给定一个初始值，计算目标函数，然后变动一下给定值，看目标函数是否朝有利的方向变化，一步一步搜索，直到找到最优解。可以写成： 直接搜索方法有一阶梯度法、二阶梯度（牛顿）法以及一些智能算法。 二 非线性规划 直接方法 1.一阶梯度法 2.二阶梯度法 三、动态规划 动态规划是把多阶段决策问题作为研究对象。多阶段决策问题是根据问题本身的特点，将其求解的全过程划分为若干个相互联系的阶段(即将问题划分为许多个相互联系的子问题)，在它的每一阶段都需要作出决策，并且在一个阶段的决策确定以后再转移到下一个阶段。动态规划遵循的是Bellman最优性原理，该原理为：作为一个全过程的最优策略具有这样的性质，对于最优策略过程中的任意状态而言，无论其过去的状态和决策如何，余下的诸决策必构成一个