第4章 非线性规划4.4.pptVIP

min=t*t-6*t+2; t=10; Local optimal solution found at iteration: 26 Objective value: -7.000000 Variable Value Reduced Cost T 2.999999 0.000000 Row Slack or Surplus Dual Price 1 -7.000000 -1.000000 2 7.000001 0.000000 罚函数： (4.5.2) 这里M是一个很大的函数，称为罚因子或罚函数。 若问题（4.5.1）只含等式约束， 则在可行点处， P的值与f的值相同， 而在不可行的点处， 对应的 P的 值很大， 故无约束极小化问题 的最优解必是（4.5.1）的最优解。 罚因子M的引入相 当于对不满足等式约束的一种惩罚。 M越大， 对 的惩罚也越大， 称 为惩 罚项。 在实际计算时， 选取合适的M并不简单， 但考 虑到 P(X,M)的最优点与 M有关。 记最优点为 在进行迭代计算时， 每迭代一次， 就 选择一个罚因子， 我们用 表示第 k 步迭代时 所选取的罚因子， 而 表示第 k 步迭代所得无 约束极值问题 的最优解。 显然， 罚因子越取越大 若问题(4.5.1)中不仅含有等式约束， 还含有不 等式约束 则可同样处理， 在P(X,M)中加上 即转化为 无约束非线性规划问题， 在搜索极小点的过程中， 点列 从可行域D的外部收敛到原问题(4.5.1)的 最优解， 而罚因子 满足 若记 称它为阶跃函数， 则罚函数可改为 (4.5.3) 若在式(4.5.1)中， 不等式约束为 则可改 为 罚函数法的经济解释： 把目标函数 f(X) 看成某种产品的成本，把约束条件看作是对产品质量方面的规定，企业可在质量规定的范围内通过各种方法降低产品的成本，对不符合质量规定的产品予以处罚，而对符合质量规定的产品不予以惩罚。此时，企业追求的总目标应当是产品成本和产品处罚的总和最小，当处罚规定很苛刻时，违反产品质量规定的处罚也就越高，这样就迫使企业符合规定。这在数学上表现为，当罚因子 足够大时，上述无约束问题的最优解应满足约束条件，从而成为带约束的最优化问题的最优解。 罚函数法的迭代步骤: Step1: 取 及终止误差 令k:=1; Step2: 求无约束极小化问题的最优解 其中 为（4.5.2）或(4.5.3); Step3: 若对某一个 有 则取 令k:=1,转Step2； 否则， 终止迭 代，得到最优解 例4.5.1 用罚函数法求解 解： 构造罚函数 令 对不满足约束条件的点x，有 得极小点 当 时， 当 时， 当 时， 图4.5.1 当 时， 由图4.5.1知， 当 无限增大时， 从问题(4.5.1) 的可行域外部趋于它的最优解 对于带约束的 最优化问题（4.5.1）， 除非它的最优解 也是f(X) 的无约束问题的最优解。 一般情况下， 的可行域的边界上。 总在（4.5.1） 由罚函数法得到的点列 总 是从可行域外趋于问题（4.5.1）的最优解 因此， 罚函数法也称为外点法。 该方法通过对不可行的点 加以惩罚构造函数， 并使罚函数的最优解随惩罚的 无限增大而趋于原非线性规划问题的最优解。 因为 所以 为极小点， 极小值为 注1： 该问题的目标函数的等值线为圆， 此时， 不论 初始点取在哪， 负梯度方向总是指向圆心， 且圆心 即为极小点。 这样， 用最速下降法迭代一次就能得 到最优解。 例4.4.4 用最速下降法求非线性规划问题 取初始点 允许误差 解： 按式（4.4.16）有 故 前三次迭代过程如表4.4.4。 表4.4.4 —— —— -0.000 0.070 —— 3 0.13 0.070 0.070 0.020 2 3.69 -0.003 1.92 0.4824