无约束问题绪论.ppt

* 第6章 无约束问题 第1节 非线性规划基本概念 1.1 引言 例1 某公司经营两种产品，第一种产品每件售价30元，第二种产品每件售价450元。根据统计，售出一件第一种产品所需的服务时间平均是0.5小时，第二种产品是（2+0.25x2）小时，其中x2是第二种产品的售出数量。已知该公司计划期内的总服务时间为800小时，试决定使其营业额最大的营业计划。 设公司计划经营第一种产品x1件，第二种产品x2件，数学模型为： 为从判断矩阵求出权重向量W=[w1, w2,…,wn]T，应使wi（i=1,2,…,n）在最小二乘意义上尽可能满足判断矩阵的估计。由aij≈wi∕wj，可得： 例2 为了进行多属性问题（假设有n个属性）的综合评价，就需要确定每个属性的相对重要性，即求它们的权重。为此将各属性的重要性进行两两比较，从而得出判断矩阵 其中aij表示第i个属性与第j个属性的重要性之比试根据判断矩阵J计算各属性的权重。 上述两个例子的数学模型，在约束条件或目标函数中出现了非线性函数，称为非线性规划问题。 非线性规划问题的数学模型可表示成以下形式： 也可表示成以下形式： 和线性规划问题相比，非线性规划问题的最优解要复杂得多。 2 6 x1 6 2 x2 其最优解为x1*=x2*=3，目标函数值f(x*)=2。 其最优解位于约束条件形成的直线上。 若将约束条件改为 h(x)=x1+x2-6≤0，则最优解为x1=x2=2，f(x)=0。其最优解位于可行域的内部。 可见，非线性规划问题的最优解可在其可行域中的任一点达到。 例如 min f(x)=(x1-2)2+(x2-2)2 h(x)=x1+x2-6=0 1.2 极值问题 将函数的极小值定义如下： 设f(x)为定义在某一区域R上的n元函数。对于x*?R，如果存在某个?＞0，使对所有与x*的距离小于?的R中的点（x?R且‖x-x*‖＜?），均满足不等式f(x)≥f(x*)，则称x*为f(x)在R上的局部极小点，f(x*)为局部极小值。若对所有x≠x*且与x*的距离小于?的R中的点，均满足f(x)＞f(x*)，则称x*为f(x)在R上的严格局部极小点，f(x*)为严格局部极小值。 　　对于x*?R，若对所有x?R均满足f(x)≥f(x*)，则称x*为f(x)在R上的全局极小点，f(x*)为全局极小值。若对所有x≠x*且x?R ，都有f(x)＞f(x*)，则称x*为f(x)在R上的严格全局极小点，f(x*)为严格全局极小值。 对n元函数f(x) ，记： ▽ ▽f(x)称为函数f(x)的梯度向量；H(x)称为函数f(x)的海赛（Hesse）矩阵。 定理1（必要条件）：设R是n维欧氏空间上的某一开集，f(x)在R上有一阶连续偏导数，若f(x)在x*?R上取得局部极值，则必有▽f(x*)=0。 定理2（充分条件）：设R是n维欧氏空间上的某一开集，f(x)在R上有二阶连续偏导数，对x*?R，若有▽f(x*)=0且H(x*)正定，则x*为f(x)的严格局部极小点。 满足梯度向量为0的点称为平稳点或驻点。 1.3 凸函数和凹函数 凸函数的定义如下： 设f(x)是定义在n维欧氏空间中某个凸集R上的函数，若对任意0α1以及R中的任意两点x(1)和x(2)，恒有： f(αx(1)+(1-α)x(2))≤αf(x(1))+(1-α)f(x(2)) 则称f(x)为定义在R上的凸函数。 若对任意0α1和R中的任意x(1)≠x(2)，恒有： f(αx(1)+(1-α)x(2))＜αf(x(1))+(1-α)f(x(2)) 则称f(x)为定义在R上的严格凸函数。 将上式中的不等号反向，即得凹函数和严格凹函数的定义。显然，若f(x)是凸函数，则-f(x)是凹函数。 x(1) αx(1)+(1-α)x(2) x(2) f(αx(1)+(1-α)x(2)) αf(x(1))+(1-α)f(x(2)) x f(x) x(1) αx(1)+(1-α)x(2) x(2) f(αx(1