机械优化设计_第二章优化设计的数学基础概述.pptVIP

n元函数在点x0处沿d方向的方向导数 当梯度方向和d方向重合时，方向导数值最大，即梯度方向是函数值变化最快方向，而梯度的模就是函数值变化率的最大值。 多元函数的梯度 海赛矩阵的特征：是实对称矩阵。 结论： 二元函数在某点取得极小值的充分条件是要求该点处的海赛矩阵为正定。 且 对于二元函数 在 处取得极值的充分必要条件是： 参见教材例题P32 3、多元函数 对于多元函数 若在 处取得极值，则 必要条件： 充分条件： 正定 或负定 四、凸集、凸函数与凸规划 当极值点x*能使f(x*)在整个可行域中为最小值时，即在整个可行域中对任一x都有f(x)=f(x*),则x*为全域最优点（全域极小点）。若f(x*)为局部可行域中的极小值而非整个可行域的最小值时，则称x*为局部最优点或相对最优点。优化的目标是全域最优点。为了判断某个极值点是否为全域最优点，研究函数的凸性是必要的。 函数的凸性表现为单峰性。对于具有凸性特点的函数来说，其极值点只有一个，因而该点既是局部最优亦是全域最优点。 为了研究函数的凸性，下面引入凸集的概念： 1、凸集 如果对一切 及一切满足 的实数 ，点