工程优化设计约束直接法讲述.ppt

工程优化设计 黄正东 二0一二年九月 内容提要 工程优化问题建模 优化数学理论 一维搜索方法 无约束问题直接搜索方法 无约束问题间接接搜索方法 约束问题直接搜索方法 线性规划与二次规划问题求解 约束问题间接搜索方法 启发式算法 优化软件系统 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束直接搜索方法 约束问题间接求解方法 约束问题间接求解方法 约束问题间接求解方法 约束问题间接求解方法 约束问题间接求解方法 约束问题间接求解方法 约束直接搜索方法 算法 初始化 x=x0,k=0; 计算?f(xk)和?gi(xk), gi为取作用约束; 如果?f(xk)和?gi(xk)满足K-T条件, 结束; 否则,解min{ dT?f(xk)|dT?gi(xk)=0,dTd=1},求d; 一维搜索 xk+1=xk+ak d :min f(xk+ak d); k=k+1,转步2. Step 4 具体有后页的细节处理。 带有圆约束的线性规划问题可通过修改 单纯形法求解。 为DV之一 算法分析 五。梯度投影法（Rosen’s Gradient Projection Method） 梯度向约束面或多约束面的交线上的投影 ?g1 ?g2 d ?f b 设b = ?f-d=x ?g1+y ?g2, 则 ?g1Tb= ?g1T?f=x ?g1T?g1+y ?g1T?g2 ?g2Tb= ?g2T?f=x ?g2T?g1+y ?g2T?g2 (x,y)T=[GTG]-1GT?f b=G (x,y)T=G[GTG]-1GT?f 当计算得S=0时，程序不一定停止，因为去掉一个取作用约束g，f(x)还可以下降。 ﹥0 S=0 需要对所有取作用g，有： 梯度投影法（Rosen’s Gradient Projection Method） 1.该方法适合线性不等式约束； 2.对非线性不等式约束优化问题效果不佳。 六。简约梯度法 算法思想 将一般非线性约束优化问题转化为目标函数为非线性， 约束函数为线性的优化问题。通过求解线性约束，分 离出因变量和自变量，对自变量求导得出简约梯度，并 沿负简约梯度方向进行搜索。 基本思想是线性规划中单纯形法的推广（Wolfe）。 分 简约梯度法（Reduced Gradient Method）-- 约束线性 广义简约梯度法（Generalized Reduced Gradient Method） -- 约束非线性 简约梯度法 简约梯度确定初步搜索方向 min f(x) s.t. Ax=b, x≥0 xN 为独立变量 min F(xN) s.t. B-1b-B-1CxN ≥0 xN≥0 由X0, 调整搜索方向 由X0, 调整搜索步长 模型更新方法与线性规划单纯形法类似. 1. 选择可行的初始点 x0=(xB,0,xN,0)0, k=0, eps0; 2. 计算 g(xN,k) 和 d k; 3. 如果|d k|eps, 结束，得最优解xk; 否则，作一维搜索： 4.如果|xk+1-xk|eps,结束，得最优解xk+1；否则，转下步； 5. 如果xB,k+10, 则基本变量不变，k=k+1,转（2）； 否则，对某下标j, xjB,k+1=0, 将该分量与xN,k+1最大分量 xiN,k+1 交换，形成新的基本变量与非基本变量，k=k+1,转（2）； 简约梯度法-算法步骤： 一般非线性模型 广义简约梯度法 引入松弛变量 规范化的非线性模型 广义简约梯度法 用泰勒展式将约束变为线性： 分基本变量与非基本变量： 广义简约梯度法 广义简约梯度 广义简约梯度法-算法步骤： * 直接法: 直接沿一序列方向、在满足约束条件下的一维搜索，最后达到优化解。主要适用于仅含不等式约束的优化问题. 新的迭代点必须限制在不等式约束构成的可行域内,且保证目标函数的稳定下降. 随机实验法 随机方向法 复合形法 可行方向法 梯度投影法 简约梯度法 一.随机实验法(Monte-Carlo法) (1) 算法思想 通过逐步随机取样,逼近最优解. 每步随机取样得到一组点上的函数值,通过比较确定最优解 的较小范围.下一步在上一步确定的范围内再随机取样,确定 更小的最优解范围,如此下去,不断逼近最优解. 不断缩小最优解 的范围 随机实验法(Monte-Carlo法) (2) 算法 随机实验法(Monte-Carlo法) (3) 算法分析 算法简单