2015现代设计理论优化设计例析.ppt

本章结束 Thank You！ * 黄金分割：把一条线段分割为两部分，使其中一部分与全长之比等于另一部分与这部分之比。其比值是[5^(1/2)-1]/2， 取其前三位数字的近似值是0.618。由于按此比例设计的造型十分美丽，因此称为黄金分割， * 复合形法的基本思想源于纳尔德(Nelder)和米德（Mead）提出的解无约束优化问题的单纯形法。是对该法的改进。 该法思路的说明，参照陈版《现代设计方法及其应用》p.73 * 无约束极值点：因为x=1，所以，取sqrt[r(k)]0 * 2.4.2 鲍威尔法 　　鲍威尔法（powell 法，又称共轭方向法）: 　　该算法是鲍威尔于1964年提出的，它是在坐标轮换法的基础上，通过构造共轭方向，以达到快速收敛的目的。并通过改进后，是一种比较有效的算法。 * * 2.4 多维无约束优化方法 2.4.3 梯度法 　　梯度法是求解多维无约束优化问题的解析法之一。 梯度是函数变化率最大的方向(梯度的大小是在该点标量场增加的速率) 负梯度则是函数下降最快的方向 沿负梯度搜索，函数值在该点附近下降最快 梯度法就是取迭代点处的函数负梯度方向作为搜索方向 该法又称最速下降法。 梯度法的迭代格式： 梯度法的基本思想: 按上式求得负梯度方向的一个极小点 ， 作为原问题的一个近似最优解； 若此解尚不满足精度要求， 则再以 作为迭代起始点， 以 处的负梯度方向 作为搜索方向， 求得该方向的极小点 ， 如此进行下去，直到求得的解　　　满足收敛条件为止。 式中　 为最优步长因子。 解：由梯度的定义，该目标函数的梯度为： 例2-A 已知一目标函数为 ， 试求在点　　 的梯度。 则该函数在点　　的梯度为 梯度法的终止条件： （2-41） 　　梯度法的特点： (1) 算法简单； (2) 前后两次迭代方向正交，所以搜索路线是呈直角锯齿形； (3) 开始搜索时，收敛速度较快，但当靠近极小点附近，收敛速度越来越慢，这是梯度法的较大缺点。 2.4.4 牛顿法 原始牛顿法和阻尼牛顿法两种。 其迭代过程是在求目标函数 的极小值时， 先将它在点 附近作泰勒展开，并取二次近似函数式；然后求出这个二次函数的极小点，并以该极小点作为原 目标函数的极小点X* 的一次近似解； 该算法的 基本思路： 它是以二次函数来逼近原目标函数。 牛顿法也是一种解析法，它是梯度法的进一步发展。 该法的搜索方向的构造： 是根据目标函数的负梯度和二阶偏导数 矩阵来构造的。 牛顿法分为： 若此解不满足精度要求，则可以此近似解作为下一次迭代的初始点，仿照上面的做法，求出二次近似解； 照此迭代下去，直至所求出的近似极小点满足精度要求。 　牛顿法的搜索方向为 （2-45） 上式中的搜索方向　　　　　称为牛顿方向， 可见原始牛顿法的步长因子恒取：　　 　， 因此，原始牛顿法是一种定步长的迭代过程。 牛顿阻尼法的迭代公式： （2-46） 上式　　　为修正牛顿法的迭代公式。 式中，步长因子 　　　又称阻尼因子。 牛顿阻尼法保持了牛顿法收敛快的特点，且对初始点无特别要求。 虽然计算量多了一些，但实用性更好 2.4.5 变尺度法 是在克服了梯度法收敛慢 和牛顿法计算量大 的缺点基础上而发展起来的一种最有效的解析法。 现已得到广泛应用。 利用牛顿法的迭代形式， 但并不直接计算 ， 而是用一个对称正定矩阵 近似地代替 。它在迭代过程中不断地改进，最后逼近 。 这种算法，省去了海森矩阵的计算和求逆， 使之计算量大为减少， 并且还保持了牛顿法收敛快的优点。 变尺度法： 在变尺度法 中，较为常用的有： 变尺度法 特点： ● DFP变尺度法 ● BFGS变尺度法。 变尺度法 基本思想： 1. DFP变尺度法 　　DFP变尺度法　　　是最为常用的一种变尺度算法。 该算法的迭代公式为： (2-47) 式中: 　　　 变尺度矩阵，是一n×n阶对称正定矩阵， 　　　在迭代过程中,它是逐次形成并不断修正， 　　　即从一次迭代到另一次迭代是变化的，故称变尺度矩阵。 　　由式(2-47)，不难看出： 　　当 （单位矩阵）时：式 (2-47) 变为梯度法的迭代公式； 　　当 时：　式 (2-47) 就变为牛顿法