ch 非线性规划概述.pptVIP

非线性规划概述 内容概要 1 非线性规划问题 2 非线性规划问题的数学模型 3 非线性规划问题的图示（图解法） 4 极值问题 5 凸函数与凹函数 6 凸规划 7 下降迭代算法 非线性规划的定义 如果目标函数或约束条件中包含有非线性函数，就称此规划为非线性规划。 1 非线性规划问题 某公司经营两种产品,甲产品每件售价30元,乙产品每件售价450元.售出一件甲产品需时间0.5小时,乙为(2+0.25X2)小时.已知总服务时间为800小时,求最优方案. 2 非线性规划问题的数学模型 另一种形式  3 非线性规划问题的图示（图解法） 例： 4 极值问题 4.1 局部极值和全局极值 4.2 极值存在的条件 4.2.1 必要条件 4.2.2 充分条件 4.1 局部极值和全局极值 梯度向量 设R是n维欧式空间En上的某一开集，f(X)在R上有一阶连续偏导数， 为函数f(X)在点X*处的梯度。 Hesse矩阵 设R是n维欧式空间En上的某一开集，f(X)在R上有二阶连续偏导数，X*∈R, H(X*)为F(X)在点X*处的海赛(Hesse)矩阵， 设R是n维欧式空间En上的某一开集，F(X)在R上有一阶连续偏导数，且在点X* ∈R取得局部极值，则必有 或 4.2.2 充分条件 设R是n维欧式空间En上的某一开集，F(X)在R上有二阶连续偏导数，x*∈R, 若 ，且对任何非零向量 Z ∈En 有 ZT H(X*)Z0 则X*为F(X)的严格局部极小点. 此处H(X*)为F(X)在点X*处的海赛(Hesse)矩阵. 5 凸集、凸函数和凹函数 5.1 定义 如果 均有 则称R为凸集。 设 非空，凸集。 如果对任意 恒有 称f为R上的凸函数。 如果对任意 恒有 称f为R上的严格凸函数。 凹函数与严格凹函数 图例 5.2 凸函数的性质 性质1 设f(x)为定义在凸集R上的凸函数，则对任意实数β≥0, βf(x)也是定义在R上的凸函数。 性质2 设f1(x)和f2(x)为定义在凸集R上的两个凸函数，则其和f(x)= f1(x) + f2(x)仍为定义在R上的凸函数。 5.3 函数凸性的判定 一阶条件 设R是n维欧式空间En上的开凸集， f(x) 在R上具有一阶连续偏导数，则f(x)为R上的凸函数的充要条件是，对任意两个不同点X(1)∈R和X(2)∈R，恒有 二阶条件 设R是n维欧式空间En上的某一开集，f(x)在R上有二阶连续偏导数，则f(x)为R上的凸函数的充分条件是：f(x)的海赛矩阵H(X）在R上处处半正定。 5.4 凸函数的极值 若f(x)为定义在凸集R上的凸函数，则它的任一极小点就是它在R上的最小点（全局最小点）；而且，它的极小点形成一个凸集。 设f(x)为定义在凸集R上的可微凸函数，若存在点X*∈R,使得对于所有的X∈R有 则X*是f(x)在R上的最小点（全局最小点）。 例：求解 6 凸规划 特点：目标函数为凸函数，约束条件为凹函数的非线性规划。 凸规划的可行域为凸集，其局部最优解为全局最优解。 如果目标函数是严格凸函数，则最优解唯一。（假定最优解存在） 例：判定是否为凸规划 7 非线性规划算法结构 7.1 下降迭代算法 7.2 收敛速度 7.3 终止准则 7.4 下降迭代算法的基本步骤 迭代法的基本思想 为了求某函数 f(X)的最优解,首先给定一个初始估计 , 然后按照某种规划(即算法)找出比 更好的解 ,再按此规则找出比 更好的解 ,…. 如此得到一个解的序列 . 若 则称算法收敛于 . 7.1 下降迭代算法 若由某某算法产生的解的序列 使目标函数值逐步减少,就称该算法为下降算法。 局部极小点 若从 出发沿任何方向移动都不能使目标函数值下降，则 是一局部极小点。 搜索方向与步长 若从 迭代到 步长(固定步长,试算法,一维搜索,微分法) 7.2 收敛速度 7.3 终止准则 7.4下降迭代算法的基本步骤 * * 其中 是n 维欧式空间En 中的向量（点）； f(x)为目标函数； hi (X)=0和 gj(X) ≥ 0为约束条件