约束优化方法课件.pptVIP

第六章 约束优化方法 约束优化方法概述 随机方向法 复合形法 可行方向法 惩罚函数法 6.1 约束优化方法概述 无约束优化方法是优化方法中最基本最核心的部分。在工程实际中，优化问题大都属于有约束的优化问题，即其设计变量的取值要受到一定的限制，用于求解约束优化问题最优解的方法称为约束优化方法。 约束优化设计的数序模型为： 根据求解方式的不同， 约束优化方法可以分为： 直接解法和间接解法 1、直接法 只能求解不等式约束优化问题的最优解。其根本做法是在约束条件所限制的可行域内直接求解目标函数的最优解。如：约束坐标轮换法、复合形法等。 其基本要点：选取初始点x0 、确定可行搜索方向d及适当步长? 。 每次迭代计算均按以下基本迭代格式进行 xk+1 = xk + ?kdk (k = 1, 2, ?) 可行搜索方向：当设计点沿该方向作微量移动时， 目标函数值下降， 且不越出可行域。 6.3 复合形法 复合形法是求解约束优化问题的一种重要的直接解法。 一、复合形法的基本思想 其基本思路是在可行域内构造一个具有k个顶点的初始复合形。对该复合形各顶点的目标函数值进行比较，去掉目标函数值最大的顶点（称最坏点），然后按一定法则求出目标函数值下降的可行的新点, 并用此点代替最坏点，构成新的复合形，复合形就向最优点移动一步，直至逼近最优点。 二、初始复合形的构成 要构成初始复合形，实际上就是确定k个可行点作为复合形的顶点，顶点数目一般在n+1 ? k ? 2n范围内。对于维数较低的优化问题，因顶点数目较少，可以由设计者自行凑出可行点作为复合形顶点。但对于维数较高的优化问题，这种方法常常很困难。 为此，提出构成复合形的随机方法。该方法是先产生k个随机点，然后再把那些非可行随机点调入可行域内，最终使k个随机点都称为可行点而构成初始复合形。 构成复合形的随机方法： 1、产生k个随机点 由设计者选定一个可行点， 其余的 ( k?1) 个可行点用随机法产生。利用标准随机函数产生在（0，1）区间内均匀分布的随机数rj，然后产生区间[a，b]内的随机变量xj， xj = a+ rj（b ? a），j = 1，2，…，k (6-13) xj -----复合形中的第j个顶点； a, b----- 设计变量的下限和上限； rj -----在 （0，1）区间内的伪随机数。 (6-14) 6.5 惩罚函数法 惩罚函数法的基本原理是将约束优化问题中的不等式约束和等式约束经过加权转化后，与原目标函数一起构成新的目标函数––惩罚函数 求解该新目标函数的无约束极小值，以期得到原问题的约束最优解。为此，按一定法则改变加权因子r1、r2的值，求得惩罚函数的一系列无约束最优解，并使其不断逼近原约束优化问题得最优解。 因此，惩罚函数法又称序列无约束极小化方法---SUMT法。 式(6-47)中的 称为加权转化项，并根据它们在惩罚函数中的作用，又分别称为障碍项和惩罚项。 二、外点惩罚函数法 简称外点法。其基本思想是将新目标函数定义在可行域之外，序列迭代点从可行域之外逐步逼近约束边界的最优点。 外点法可以求解具有不等式约束和等式约束问题的优化问题。 1、惩罚函数的形式 对于约束优化问题 转化后的外点惩罚函数形式为 式中 r为惩罚因子，它由小到大，且趋近于?的数列，即r0 r1 r2 … → ? 分别为对应于不等式约束和等式约束函数的惩罚项。 1） 如图6-15， 在约束面上的迭代点xk处， 产生一个 可行方向dk, 沿此方向作一维最优化搜索， 得到的新点x在可行域内， 即令xk+1 = x, 再沿xk+1的负梯度方向dk+1 = ??f(xk+1)继续搜索 2） 如图6-16，沿可行方向dk作一维最优化搜索，所得到的新点x在可行域外， 则设法将x点移动到约束面上， 即取dk和约束面的交点作为新的迭代点xk+1 。 3） 沿约束面搜索。如图6-1