机械优化设计的基本问题演示文件修改版.pptVIP

* §2.4 优化设计的数学基础 判别函数为凸函数的凸性条件： 按梯度判断凸性：设f(x)是定义在凸集 D上具有连续一阶导数的函数，则f(x)在D上为凸函数的充要条件是：对于任意的 x(1),x(2)∈D 都有 成立。 按二阶偏导数判断凸性：设 f(x) 是定义在凸集D上具有连续二阶导数的函数，则f(x)在D上为凸函数的充要条件是：f(x)的Hesse矩阵处处半正定。若Hesse矩阵处处正定，则f(x)为严格凸函数。 四. 函数的凸性 §2.4 优化设计的数学基础 凸函数的基本性质： 若f(x)是定义在凸集D上的严格凸函数，则f(x)在D上的一个极小点，也就是全局最小点。 凸函数的线性组合仍然为凸函数。 设x(1), x(2)为凸函数 f(x)上的两个最小点，则其连线上的任意点也都是最小点。 四. 函数的凸性 §2.5 优化设计的最优解及获得最优解的条件 一. 优化设计最优解 无约束优化设计问题最优解： 约束优化设计问题最优解： 不受约束条件限制，使目标函数达到最小值的一组设计变量，即最优点 x*=[x1*,x2*,…,x n*] 和最优值 f(x*)构成无约束问题最优解。 满足约束条件，使目标函数达到最小值的一组设计变量， 即最优点 x*=[x1*,x2*,…,x n*] 和最优值 f(x*)构成约束问题最优解。 §2.5 优化设计的最优解及获得最优解的条件 二. 有约束问题最优点的几种情况 有适时约束 目标函数是凸函数,可行域是凸集，则目标函数等值线与适时约束曲面的切点为最优点，而且是全局最优点。 无适时约束 目标函数是凸函数，可行域是凸集，则最优点是内点。相当于无约束问题的最优点。 x (k) 为最优点x*的条件： 必要条件： 充分条件： Hesse矩阵 H(x(k))正定 · · X* f (x) · x* §2.5 优化设计的最优解及获得最优解的条件 有适时约束 目标函数是非凸函数（图 a），或可行域是非凸集（图 b）： 则目标函数等值线与适时约束曲面可能存在多个切点，是局部极值点，其中只有一个点是全局最优点。 二. 有约束问题最优点的几种情况 p Q Q p §2.5 优化设计的最优解及获得最优解的条件 三. K-T ( Kuhn-Tucker 库恩-塔克) 条件 ——有适时约束时获得最优解的条件 1. 有一个适时约束时： 与x(k)点目标函数的负梯度方向成锐角，即沿 S 方向目标函数值下降； 与x(k)点约束函数的梯度方向成钝角，即保证 S方向上各点在可行域内。 此时，获得最优解 x(k) 为最优点 x*， f(x(k))为最优值 f(x*)。 从数学上定义，当从 x(k)点出发不存在一个 S 方向能同时满足： 　 ① ;②　　　　　　，即 　 ， 则获得最优解：x(k)为最优点 x*，f(x(k))为最优值 f(x*)。 从几何上看，当从 x (k)点出发不存在一个 S 方向能同时满足： §2.5 优化设计的最优解及获得最优解的条件 相反，当从 x(k)点出发，存在一个 S 方向能同时满足： 和 时，则 x(k) 不是最优点。 从几何上看，当从 x(k)点出发存在一个 S 方向能同时满足： 与x(k)点目标函数的负梯度方向成锐角，即沿 S 方向目标函数值下降； 与x(k)点约束函数的梯度方向成钝角，即保证 S方向上各点在可行域内。 此时，x(k)不是最优点 x*。 三. K-T ( Kuhn-Tucker 库恩-塔克) 条件 ——有适时约束时获得最优解的条件 1. 有一个适时约束时： §2.5 优化设计的最优解及获得最优解的条件 2. 有二个适时约束时： x(k)成为约束最优点 x* 的必要条件为: 。 几何上 位于 和 所张的扇形子空间内。 即不存在一个 S 方向能同时满足： 三. K-T ( Kuhn-Tucker 库恩-塔克) 条件 ——有适时约束时获得最优解的条件 §2.5 优化设计的最优解及获得最优解的条件 相反，不符合以上条件： 几何上 不位于 和 所张的扇形子空间内。则 x(k) 点不是最优点。 不能表达成 和 的线性组合。 即存在一个 S 方向能同时满足： 三. K-T ( Kuhn-