优化设计第二次课.pptVIP

第三节 二次型函数的形式及性质 　　多元函数用泰勒展开式作局部逼近，当取到二次项时，函 数最高次数为二次形式。因此在求目标函数最优解时，常把某 一给定点函数近似地用二次函数来代替，以便分析问题时得以 简化。 二次型是指含有 个变量 的二次函数， 如: + 写成矩阵形式为 式中 令系数矩阵 为对称矩阵， 即 则二次型函数为实二次型。 在优化设计中，某点附近采用泰勒展开式近似表达时，研究 该点邻域的极值问题，需要分析二次型函数是否正定或负定。二 次型函数正定和负定的定义如下： 设二次型函数 ， 若对于任意的 为非零向量， 即对于不全为零的任何实数 , 都为正数，则称此二次型为正定二次型，其对应的矩阵 称为 正定矩阵。 有 称为二次型半正定； 称二次型负定； 称二次型半负定； 称二次型不定。 相应的矩阵 也分别称为半正定，负定，半负定或不定矩阵。 矩阵正定和负定，常用矩阵各阶主子式的正负来判别。 若矩阵的各阶主子式(即对应的各阶行列式)均大于零，则该矩阵为正定。 …… 若所有奇数阶顺序主子式均小于零，而所有偶数阶顺序主子式均大于零，则该矩阵为负定。 第四节 无约束优化问题的极值条件 非线性规划问题，一般归结为寻求目标函数的极值问题。极值是函数的极大和极小值的统称，使函数取得极值的点称为极值点。对于多变量复杂的目标函数，当函数不是单峰函数时，则有几个极值点。各个极值点都称为局部极值点(局部最优点)。在这种情况下，一般先求若干个极值点，加以比较来确定函数的全局极值点，即全局最优点。本节主要讨论多元函数的局部极值问题。 一、一元函数的极值条件 设一元函数 连续可微，在给定区间内的一点 有 极值，其必要条件为 一般说来，一阶导数为零的点，不一定都是极值点，通常 称为驻点。因此，上式仅是极值存在的必要条件，并非充分条 件，极值点必定是驻点，而驻点不全是极值点。驻点是否为极 值点可以通过二阶导数来判断。 若在驻点附近，有 则该点为极大点。 若在驻点附近，有 则该点为极小点。 a图b图分别为极小值点和极大值点，而c图则为拐点，不是极值点。 二、二元函数的极值条件 多元函数的性质不能完全从一元函数的情况中反映出来， 但能从二元函数得到较好的反映，因此，以二元函数为例来 分析，所得结论则可推广到多元函数中去。 对于二元函数的极值情况我们可以先通过一个空间曲面来说明。设二元函数 ，如图 若二元函数在某点 有极小值，则过点 分别垂直于 轴的平面与该曲面的交线 ， 亦必同时在 点处有极小值，而这两条曲线为一元函数。如果它们在给定区间是连续的，且处处有导数，则它们在点 处存在极值的必要条件是一阶导数为零。 对于二元函数 ，若在点 处取极 值，其必要条件是 即 这就是点 为二元函数 极值点的必要条件, 满足上述条件的点是一个驻点。 例如，二元函数 的驻点，可通过令其一阶偏导数等于零来求得，即 所以，原点(0，0)是函数的驻点。在以 和 为坐标铀的三维空间中，此二元函数表示为曲面，如图所示。从图中看到坐标原点对一元函数 来说，是极大值点；而对于一元函数 来说，则是极小值点，所以原点(0，0)不是该二元函数的极值点。由于曲线像马鞍形，这个驻点通常称为鞍点。由此可见，满足上述条件的点只能说明是驻点，是否为极值点尚需引出充分条件来判断。 为了判断驻点是否为极值点，还需要建立极值的充分条件。 将二元函数 在驻点 附近用泰勒 展开式，并考虑极值存在的必要条件，有 同一元函数相似，在点