非线性规划1资料.ppt

第二部分 非线性规划 例1:(资源分配问题)某工厂生产甲、乙 两种产品。每件产品的单位利润，所消耗的两种材料数、设备工时及这两种材料、设备工时的限额如下表： 例1续：在资源分配问题中, 若甲、乙两产品的单位利润C1和C2与该产品产量与有关, C1 =4-x1, C2 =3-0.2x2, 则相应的目标函数为: 二、极值问题 若对R上所有X≠X＊都有f(X)≥f(X＊)，则称X＊为f(X)在R上的全局极小点(或绝对极小点)，f(X＊)为全局极小值。若对R上所有X≠X＊都有 f(X)f(X＊)，则称X＊为对f(X)在R上的严格全局极小点，f(X＊)为严格全局极小值。同理定义极大点（值）。 三、凸函数和凹函数 性质3：设f(X)是凸集R上的凸函数，则对每一实数β，集合： Sβ={ X| X∈R，f(X)≤β} …（10） 是凸集（Sβ称为水平集）。 且 令Y是R中的任一点，则对于充分小的λ(0λ1)，就有： (1-λ)X＊+λY∈N(X＊) 四、凸规划 五、下降迭代算法 2）用定理3证明。 任取两点X(1)=(a1, b1)T, X(2)=(a2,b2)T ， 则 f (X(1))=-a12 – b12， f (X(2))=-a22 – b22， ▽f (X )=(-2x1,-2x2)T , ▽f (X(1))=(-2a1,-2b1)T 验证下式是否成立？ 所以由定理3知 f (X)=-x12 - x22为凹函数。 3）用定理4证明。因为 由定理4知 f (X)=-x12 - x22为凹函数。 海塞阵负定， 函数的局部极小值并不一定等于它的最小值，最优化的目的是要求函数在整个区域中的最小值(或最大值)。为此必须将所有的极小值进行比较(有时还需考虑边界值)，以便从中选出最小者。然而对于凸函数来说，它的极小值就等于其最小值。 定理5：若f (X)为定义在凸集R上的凸函数， 则它的任一极小点就是它在R上的最小点(全局极小点)；而且，它的极小点形成一个凸集。 证：设X＊为f (X )的一个局部极小点。则对充分小的邻域N(X*)中的一切X， 均有： f (X )≥ f (X* ) 凸函数的极值 由于f (X)为凸函数，故： 这就是说X＊是全局极小点。 由此得： f (Y)≥f (X＊) 从而： f ((1-λ)X＊+λY)≥f (X＊) (1-λ) f (X＊)+λf(Y)≥ f ((1-λ)X＊+λY) 证：由定理3有： 定理6：若f(X)为定义在凸集R上的可微凸函数，若存在点X*∈R ,使得对于所有的X∈R有: ▽f (X*)T(X-X*)≥0 则X*是f (X)在R上的最小点(全局极小点)。 由定理条件，对所有X∈R有: f (X)≥f (X＊) 一种极为重要的情形是，当点X*是R的内点时，意味着▽f (X*)=0。 以上两个定理说明，凸集上的凸函数的驻点，就是其全局极小点。全局极小点并不一定是唯一的，但若为严格凸函数，则其全局极小点就是唯一的了。 关于凸规划（P），我们有下列结论： 若一个数学规划(P) 其中f (X)，-gj(X) (j=1,2,…,l )为凸函数，则称（P）为凸规划。 （1）（P）的可行解集合R为凸集； （2）（P）的最优解集合R*为凸集； （3）（P）的任何局部最优解都是全局最优解。 事实上， 若最优解不唯一，即 若f(X)为严格凸函数，-gj(X)(j=1,2,…,l)为凸函数，且(P)的最优解集合R*≠φ， 则(P)的最优解必唯一。 但 与 矛盾，故最优解必唯一。 则 由凸函数及凹函数定义不难看出，线性函数既是凸函数也是凹函数，这样线性规划中的目标函数和约束条件既然都是线性函数，则线性规划也是凸规划。所以凸规划的一些结果，如局部最优解是最优的，对线性规划均成立。 例4：讨论非线性规划 解：f (X) 的海塞矩阵为： g2(X)的海塞矩阵为： 第一个约束条件为线性函数，所以该规划为凸规划。 半负定， 则g2 (X)为凹函数 正定，所以f(X) 是上的严格凸函数。 若这算法是有效的，则X*是最优解。 迭代法的基本思想是：为了求函数f(X)的最优解，先给初始估计X(0)，然后按某种规则找更好的解X(1)，再找更好的解X(2)，…,如此得到一个解序列{X(k)}。若这个解序列有极限X* ，即： 则称它收敛于X* 。 若由某算法所产生的解序列{X(k)}使目标函数值f(X(k