约束优化.pptVIP

约束优化方法 工程问题中绝大部分问题是约束问题。只要由约束条件决定的可行域是凸集，同时目标函数也是凸函数，其约束最优解就是全域最优解。否则将由于选择的初始点不同，而搜索到不同的局部最优点上。 直接法的特点是： 1）由于整个求解的工程在可行域内进行，因此，迭代过程不论何时终止，都可以获得一个比初始点好的设计点。 2）若目标函数为凸函数，可行域为凸集，则可保证获得全域最优解。否则，因存在多个局部最优解，当选择的初始点不相同时，可能搜索到不同的局部最优点。为此，常在可行域内选择几个差别较大的初始点分别进行计算，以便从求得的多个局部最优解中选择更好的最优解。 3）要求可行域为有界的非空集，即在有界可行域内存在满足全部约束条件的点，且目标函数有定义。 一、网格法 网格法实际上是一种穷举法，它是最简单的约束直接优化方法。其基本思想是将约束域划分成许多网格，求出满足约束条件的各网格点上的目标函数值，比较它们的大小，从中选择函数值最小的点；然后将该点周围的网格加密，再求得满足约束条件的目标函数值最小的网格点．依次循环，直到网格的尺寸小于允许的误差时，便求得了最优解的近似解。 式中：aj，bj是设计变量xj的上界和下界，如果没有上、下界约束，我们可以根据问题的性质估计一下最优解所在的范围。 首先将区间[aj,bj]分成m等分,形成的网格点数为 有关说明 容易看出；网格法不是一个好算法。当问题的维数增高时，网格点的数目增加很快，计算工作量就很大，而且在约束条件多的情况下，网格点中有大量的非可行点，甚至会出现所有网格点都不满足约束条件的情况．使求优过程无法继续进行下去，或者只好不断加密网格点，更使计算工作量增大． 此外，网格法还有一个主要缺点，就是网格点的分布与计算是有规律的，必需查遍全部网格点才能得出最优点的近似值．例如，在二维问题中，每个变量取100个分点，则有10000个网格点。如果从左到右，再从上而下逐点进行计算，算了5000个点后，由于某种原因需停止时，那么对于整个问题的最忧解几乎得不到什么有用的信息，因为还有很大一块区域根本没有搜索到。因此，我们自然就会想到，如果不是这样有规律地取点，而是随机地选择试验点，那么即使只计算了一部分点，也可对目标函数值在可行域中最优点的位置有所了解。这就是随机取点法的基本思想． 虽然网格法有上述缺点．但由于该方法思路简单易懂，并可求得全域最优解，对离散变量还可取离散值作为分点，因此，对维数不高、不含等式约束、但含有离散变量的优化设计问题．仍可用网格法求解。 二、蒙特卡洛法 随机数的产生： 在随机方法中，为产生可行的初始点及随机方向，需要用到大量的（0，1）、（-1，1）区域的均匀分布的随机数。 三、随机方向法 初始点的选择 随机方向法的初始点必须是可行点，即满足所有不等式约束条件，当约束条件比较复杂，用人工不易选择时，可用随机选择的方式产生。步骤如下： 可行搜索方向的产生 在随机方向法中，产生可行搜索方向的方法是从k(k＞n)个随机方向中选择较好的方向，其计算步骤为： 1)在(-1，1)区间内产生伪随机数 rij (i＝1，2，…n；j=1，2，…k) 按下式计算随机单位向量 2）取一个试验步长a0 按照下式计算k个随机点 显然，k个随机点分布在以初始点xo为中心，以试验步长a0为半径的超球面上。 3)检验k个随机点xj(j＝1，2，…，n)是否为可行点，除去非可行点，计算余下的可行随机点的目标函数值比较其大小，选出目标函数值最小的点xL。 4)比较xL和xo两点的目标函数值，若 则取xL和xo的连线方向作为可行搜索方向；否则将步长a0缩小返回2）计算。如果a0缩到非常小仍然找不到合适的xL说明该点是局部极小点，可以更换初始点，重新开始计算。 综上所述，产生可行搜索方向的条件可概括为，当xL点满足 搜索步长的确定 可行搜索方向d确定后，初始点移至xL点，即xL?xo，从xo点出发沿d方向进行搜索，所用的步长。一般按加速步长法来确定。所谓加速步长法是指依次迭代的步长按一定的比例递增的方法。各次迭代的步长按下式计算： a=ma 式中m——步长加速系数，可取m=1．33 a——步长，初始步长取a=a0 随机方向法的计算步骤： 1)选择一个可行的初始点xo，令x=xo,步长a= a o; 2) 产生k个n维