机械优化设计教案第二章.pptVIP

第2章 最优化的基础知识 2.1 基本概念 函数的方向导数 一个二元函数 ，在点 处沿某一方向 的方向导数(即变化率)可定义如下： 方向导数与偏导数之间的数量关系 二元函数 函数的梯度 凸规划 2.2 最优点性质 局部及全局最优点概念 最优设计点可分为：局部最优点、全局最优点。 局部及全局最优点性质讨论 全局最优点一定也是局部最优点，而局部最优点不一定是全局最优点。 判断是否全局、局部最优点的依据和最实用方法是高等数学中的极值原理（开区间上讲极值，闭区间上讲最值）。 全局最优求解方法 最优化问题常要求求解全局最优点，然而由于优化算法本身结构、优化问题本身的复杂性等原因，传统优化算法（如黄金分割法或0.618法，单纯形法、复合形法、最小二乘法等）以及新发展的模糊优化法、神经网络优化法都很难直接求出全局最优点。 目前，求解全局最优点的有效方法主要有：遗传优化法、多个局部最优点比较综合法。 遗传优化法GA （genetic algorithm) GA总能解决传统优化法难以解决的问题。 当优化问题存在若干个“山峰或极值点”（即多极值问题）时，传统优化法很容易陷入或收敛于局部最优点，而GA则不然。 GA最擅长于求解大型且复杂的优化问题，求解简单优化问题反而效率不高（此时还不如选用传统优化法）。 GA法不存在如何选择搜索初始点问题，总能搜索到全局最优点附近。 约束优化解 通常，总是设法将约束优化问题转化为无约束优化问题，再选择无约束优化算法求解。 极大或极小值点的特点如图所示。 无约束优化问题的极值 约束优化问题的极值条件 K-T条件的几何意义：如果X*是一个局部极小点，则该点的目标函数的负梯度－▽F(X*)应落在该点诸约束面（所有起作用的约束条件）梯度▽gu(X*) 和▽hv(X*)在设计空间所组成的锥角范围内。 几种常用的收敛准则 2.4 最优化算法的类型 按优化内容分： 参数优化 拓扑优化 按发展阶段分： 传统优化算法 现代优化算法 模糊优化、神经网络、遗传算法、免疫算法以及其它进化算法等 按目标函数分： 单目标 多目标 主要目标函数法、统一目标函数法、分层序列法、 宽容分层序列法等等。 按优化模型的维数分： 一维 试探法：黄金分割法、Fibonacci法、平分法、格点法等 插值类算法：牛顿法（切线法）、二次插值法、三次插值法等 多维 按优化变量的连续与否分： 连续变量优化 离散变量优化 按连续变量处理和修整的优化方法，如：凑整数解、拟离散法、离散惩罚函数法。 离散变量的随机型优化方法，如：离散变量随机试验法、随机离散搜索法。 2.4 最优化算法的类型* * * 二元函数 ，在点 处的偏导数（即沿坐标轴方向的变化率，或称坐标轴方向的方向导数）如下： 三元函数 n元函数 式中， 为S方向与坐标轴方向xi 夹角的余弦。 函数F(X)在某点X 方向导数表明函数沿某一方向S的变化率。一般说来，函数在某一确定点沿不同方向的变化率是不同的。 为求得函数在某点X 方向导数为最大的方向，引入梯度的概念。 以二元函数为例 函数F(X)在点X处的梯度▽F(X), 可记作grad F(X) 方向S的单位向量 n元函数 的梯度: 说明： 　梯度▽ F(X) 是一个向量，梯度方向是函数具有最大变化率的方向（方向导数最大的方向），即： 梯度▽ F(X)方向是函数F(X) 的最速上升方向； 负梯度-▽ F(X)方向是函数F(X) 的最速下降方向。 分析: 函数F(X)沿S方向的方向导数等于向量▽ F(X)在S方向上的投影。 当cos（ ▽ F(X) ， S ）＝1时，即S 与 ▽ F(X)方向相同时，向量▽ F(X) 在 S 方向上的投影最大，其值为 凸集 凸函数 目标函数Y=G(X)， 设计变量X, 取值区间[a，b]即 优化问题的可行区域D={X∣a≤X≤b}。 ★1 ●2 ★3 ●1 ●3 ★2 Y=G(X) a b X ★3和●3分别为闭区间上设计端点； ★2为开区间内极大点（或称局部极值点或局部最优点）; ★1为可行区域D内全局最大点（全局最优点）; ●1为开区间内极小点; ●2为可行区域D内全局最小点。 多个局部最优点比较综合法 先取若干个相距较远的初始点，再从各个初始点出发用选择的优化算法来求出最优点。 全局最优点的判断： 在上述基础上，观察求解结果是否趋向同一点？ 若从不同初始点出发搜索的结果是同一个最优点，则认为所得点是全局最优点； 若从不同初始点出发搜索的结果