--理论基础---.pptVIP

§3.2 函数的凸性 主要概念： 1.单峰函数 2.凸集 3.凸函数 4.凸规划 概 念 1.单峰函数: 函数f(x)的极值点在区间（或D）内是唯一的。又称为具有凸性的函数。 特点：其极值即是最优值。 概 念 对于有约束的函数，可行域D是Rn中设计点的集合，即 2.凸集与非凸集：如果集合D中任两点x(1)、x(2)的连线落在集合D内，则称集合D为Rn的一个凸集。反之为非凸集。 概 念 3.凸集的数学表达式： 在Rn内，对任意两点x(1)、x(2)∈D，x为两点连线上任一点，对任意实数a(0≤a≤1)，恒有 x= a x(1)+(1-a)x(2)∈D成立，则D称为凸集。 Rn总是凸集。 概 念 4.凸函数：具有凸性或有唯一局部最优值的函数。 （1）凸函数数学表达式： 设f(x)为定义在Rn中一个凸集D上的函数，如对任意实数ξ(0≤ξ≤1)及任意x(1)，x(2)∈D，存在以下关系： f[ξx(1)+(1-ξ)x(2)]≤ξf(x(1))+(1-ξ)f(x(2))， f(x)为定义在凸集D上的一个凸函数。 如式中把≤变为＜，则f(x)称为严格凸函数。如变为≥，f(x)称为凹函数。 概 念 说 明 对于任意x(1)，x(2)及0≤ξ≤1，由矢量运算法：x(k)=ξx(1)+（1-ξ）x（2）， 则f(x(k))=f[ξx(1)+(1-ξ)x(2)]，yc=ξf(x(1))+(1-ξ)f(x(2))， 显然f(x(k))≤yc，则f(x)为凸集D上的的凸函数。即 f[ξx(1)+(1-ξ)x(2)] ≤ξf(x(1))+(1-ξ)f(x(2)) （2）凸函数的基本性质： 1).如f1(x),f2(x)为凸集D上的凸函数，对于任意实数a0，b0，f(x)=af1(x)+bf2(x) 仍为D上的凸函数。 2).如x(1)，x(2)为凸函数f(x)中的两个最小点，则其连线上的一切点都是f(x)的最小点。 （3）判别法： 1）判别法1： 若f(x)在D1上具有连续一阶偏导数，而D为D1内部的一个凸集，则f(x)为D上的凸函数的充分必要条件为：对任意x(1)、x(2) ∈D，恒有 （3）判别法： 2）判别法2（常用）： 若f(x)在凸集D上存在二阶（偏）导数并连续，则f(x)在D上为凸函数的充分必要条件为：对于任意x∈D，f(x)的H(x)矩阵处处是半正定的。 如H(x)对于任意x∈D皆为正定，则f(x)为D上的严格凸函数，反之不一定成立（充分条件）。 如H(x)对于任意x∈D皆为负定，则f(x)为D上的严格凹函数。 举 例 例2 试判断函数f(x)＝－（x12+x22）的凸性。 解：由判别法2，只需求出H(x)矩阵是否为（半）正定。 所以， , 由 可知H(X)处处负定， 因此，f(x)为严格凹函数。 5 结 论 凸性把f(x)的局部极值与全域最优值联系起来。 如果f(x)为凸函数，D为凸集，则f(x)的任意极值点（极值点不一定唯一，但极值是唯一的）即最优点。 如果f(x)为严格凸函数，则最优点是唯一的。 §3.3 约束极值点存在条件 1).约束极值点：指在约束条件下求得的函数极值点，一般位于可行域D的边界上。 2).判别方法： K－T条件（库恩—塔克 即Kuhn-Tuker条件） 对于约束优化问题： 判别方法： K－T条件: 如果xk是一个局部约束极小点，则该点的目标函数梯度▽f(xk)可表示成该点各个起作用的约束面梯度▽gu(xk)、▽hv(xk)的线性组合，即 式中λu（u=1,2,…,q）、λv(v=1,2,…,j)≥0 ，称为拉格朗日乘子（u不等于v）。 3).K－T条件的几何意义 3).K－T条件的几何意义 二维情况:在设计点xk处有2个起作用的约束。目标函数-▽f(xk)方向落在点xk两个约束函数梯度▽g1(xk)，▽g2(xk)方向组成的锥角内。 则在该点附近邻域内，任何目标函数值比f(xk)更小的设计点都在可行域外，因此,xk是约束极值点，满足K－T条件：▽f(xk)+λ1▽g1(xk)+λ2▽g2(xk)=0，且λ1≥0，λ2≥0。 见教材P23图3.10 K－T条件的几何意义 反之，如图（a）所示，－▽f(xk)不在锥角内，则在xk点邻近的可行域内，存在有比f(xk)更小的设计点，因此，xk不是约束极值点，不满足K－T条件。 K－T条件的几何意义 如果在xk点只有一个起作用的约束，则有 1）－▽f(xk)与▽g(xk)不重合，则在xk邻近的可行域内存在比f(xk)值更小的点，xk不是约束极值点。 2)－▽f(xk)与▽g(xk)重合，则在xk点邻域内