学生--优化设计5-1。5-2要点解析.pptVIP

具有四个约束条件的二维非线性约束优化问题。 板书图示说明。（1）极值点在可行域内；（2）极值点在可行域的边界上。 K-T条件( Kuhn-Tucker ) 是非线性规划领域中最重要的理论成果之一。 将K－T条件作为一般非线性规划问题确定某点是否为极值点的必要条件,对于凸规划问题，K－T条件同时也是充分条件。 但是如何判别所找到的极值点是全域最优点还是局部极值点问题，至今还没有一个统一而有效的判别方法。 图示说明。 从选定的初始点X0出发，按照选用的优化方法所规定的搜索方向 S0和步长a0进行搜索，求得一个目标函数值有所下降的新设计点X1，然后以X2点作为新迭代点，重复上述过程，又获得另一个目标函数值有所下降的新设计点X2，如此循环往复不断搜索，最后可求得满足设计精度要求的逼近理想最优点的近似最优点 。这就是数值迭代法的过程。 5.2 优化设计的数学基础 一、函数的方向导数 二：函数的梯度 由此可见，梯度是一个向量，梯度方向是函数具有最大变化率的方向。即 方向是指函数f(X）的最速上升的方向，反之，负梯度则为函数的最速下降方向。 三、函数的泰勒展开式和海氏矩阵 函数f(x1,x2)在点 处的泰勒展开式为 将其写成矩形形式，有 式中： 海氏矩阵（Hessian） 对于多元函数f(X) ，函数在点 处的海氏矩阵 是： 解：分别求函数在给定点处的函数值、梯度和Hessian矩阵： 函数值： 梯度： Hessian矩阵： 例：用Talor展开将函数 在点 简化成二次函数。 给定点函数值验证 四、无约束优化问题的极值条件 多元函数判定准则: 多元函数极值存在的必要条件是该点的梯度等于零 极小值的必要条件是其海氏矩阵正定 极大值的必要条件是其海氏矩阵负定 若海氏矩阵不定不能确定极大或极小 五、逆矩阵 对于一个n阶非奇异方阵A，如果有另一个n阶方阵B,能满足两者之积等于单位矩阵，即AB=BA=E,则B叫A的逆矩阵。 六 约束优化问题的极值条件 求解约束优化问题 实质: 是在所有的约束条件所形成的可行域内，求得目标函数的极值点，即约束最优点。由于约束最优点不仅与目标函数本身的性质有关，而且还与约束函数的性质有关，因此约束条件下的优化问题比无约束条件下的优化问题更为复杂。 （一）目标函数极值点的几何解释 第一种情况：目标函数的极值点处于可行域内，目标函数的极值点也即该约束优化问题的极值点； 第二种情况：目标函数的自然极值点在约束可行域外，此时约束优化问题的极值点是约束边界上的一点（该点是约束边界与目标函数的一条等值线的切点）。 （二）等式约束优化问题——Lagrange法则 取得极值的必要条件： 在点 几何解释：在等式约束的极值点上，目标函数的负梯度等于诸约束函数梯度的线性组合。 等式约束优化问题： Lagrange法则 （三）不等式约束优化问题——K-T条件 取得极值的必要条件： 在点 不等式约束优化问题： Kuhn-Tucker条件（K-T） K-T条件 K-T 条件是非线性规划领域中最重要的理论成果之一，是多元函数取得约束极值的必要条件： 几何解释：在极值点处，目标函数的负梯度等于诸起作用约束梯度的非负线性组合。 可用来判断和检验约束优化问题中某个可行点是否为约束极值点； 可以直接求解比较简单的约束优化问题。 约束极值点存在的条件： （a）设计点 不是约束极值点； （b）设计点是约束极值点 例：试用K-T条件判定点 是否为下列约束优化问题的极值点？ 解： （1）根据目标函数和约束条件，画出目标函数等值线和可行域图； （2）找出给定点处的起作用约束； （3）目标函数和起作用约束函数在给定点处的梯度； （4）将求得的梯度代入K-T条件式： 满足K-T条件， 是该约束优化问题的极小点 七 优化问题的数值迭代法 从选定的初始点X0出发，按照选用的优化方法所规定的搜索方向 S0和步长a0进行搜索，求得一个目标函数值有所下降的新设计点X1，然后以X2点作为新迭代点，重复上述过程，又获得另一个目标函数值有所下降的新设计点X2，如此循环往复不断搜索，最后可求得满足设计精度要求的逼近理想最优点的近似最优点 。这就是数值迭代法的过程。 1）、数值迭代法的基本思想 基本思想：搜索、迭代、逼近 2）、数值迭代法的迭代格式 数值迭代法的迭代格式可写为： 式中： ——第k刺迭代初始点； ——第k次迭代产生的新点 ——第k次迭代步长（或步长因