第一章数值最优化方法建模与数学预备知识讲解.ppt

第一章数值最优化方法建模与数学预备知识讲解.ppt

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第一章数值最优化方法建模与数学预备知识讲解

以上我们看到方向导数正负决定了函数升降,而升降速度的快慢由方向导数绝对值大小来决定,绝对值越大升降速度越大。因此又将方向导数 称为f(Z) 在 处沿方向P的变化率。 由于 (β为方向P与 的夹角) 为使 取最小值,β应取 ,即P= - ,可见负梯度方向即为函数的最速下降方向;同样梯度方向即为函数的最速上升方向。 这样我们就说明了性质二。 上升方向 变化率为0方向 下降方向 - 我们有结论: 函数在与其梯度正交的方向上变化率为0 函数在与其梯度成锐角的方向上是上升的 函数在与其梯度成钝角的方向上是下降的 解: 由于 则函数在 处的最速下降方向是 这个方向上的单位向量是: 例1 试求目标函数 在点 处的最速下降方向,并求沿这个方向移动一个单位长度后新点的目标函数值。 几个常用的梯度公式: 新点是 故 ② 故 ① ② 解:① 例2:求下列函数的梯度: 三、Hesse矩阵: 下面我们来考察多元函数 关于X的二阶导数。首先定义向量变量值函数的导数: 定义:设 如果g(x)的所有分量 在 点均可微,则向量值函数g(x)在 处称为可微。 根据前面多元函数定义,若g(x)在点 X0 处可微,则对任意n维向量P均有: 因为向量的极限是通过它所有分量的极限来定义的。则上式等价于: 从而由上面(8)可得: 其中: 称之为向量值函数g(x)在 处的导数,也称向量值函数g(x)在点 处的Jacobi矩阵。 设m=n。且 其中 为n元函数,有二阶连续偏导数。 这就是多元函数f(X) 关于X的二阶导数,称为 f(X) 的Hessian矩阵。 多元函数的一阶导数即梯度 。二阶导数即Hesse阵 。 这两个概念在最优化中是最常用的。 在高等数学中我们已经证明过当f(X)的所有二阶偏导数连续时,有 j=1,2……n 因此在这种情况下,Hesse矩阵是对称的。 例:求目标函数f(X)= 的梯度和Hesse矩阵。 解:因为 故Hesse阵为: 又因为: 则 下面几个Hesse矩阵公式是今后常用到的: (1) 则 (2) 则 (单位阵) (3) Q对称。 则 (4)若 其中f: 则: 证明(4): 对t求导,根据多元函数复合函数求导公式即得第一式。 再对t求一次导数有: min 即 问题追求的目标是圆柱体表面积最小。即 则得原问题的数学模型: 利用在微积分学中所学的Lagrange乘子法可求解本问题 分别对r、h、λ求偏导数,并令其等于零,有: 即 此时圆柱体的表面积为 例2. 多参数曲线拟合问题 已知两个物理量x和y之间的依赖关系为: 其中 和 待定参数,为确定这些参数,对x、 y测 解:很显然对参数 和 任意给定的一组数值,就由上式确定了 y 关于 x 的一个函数关系式,在几何上它对应一条曲

文档评论(0)

4477704 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档