第4章约束问题的最优化方法.pptVIP

§4.1 引言 无约束优化方法是优化方法中最基本最核心的部分。但是，在工程实际中，优化问题大都是属于有约束的优化问题，即其设计变量的取值要受到一定的限制，用于求解约束优化问题最优解的方法称为约束优化方法。 根据约束条件类型的不同可以分为三种，其数学模型分别如下： 1、不等式约束优化问题（IP型） 2、等式约束优化问题（EP型）  3、一般约束优化问题（GP型） 直接解法：随机方向搜索法、复合形法、可行方向法 间接解法：内点惩罚函数法、外点惩罚函数法、混合惩罚函数法 约束优化问题解法分类： 约束优化方法按求解原理的不同可以分为直接法和间接法两类。 二. 直接解法： 基本思想：合理选择初始点，确定搜索方向，以迭代公式 x(k+1)= x(k)+α(k)S(k)在可行域中寻优，经过若干次迭代，收敛至最优点。 基本要点：选取初始点、确定搜索方向及适当步长。 搜索原则：每次产生的迭代点必须满足可行性与适用性两个条件。 可行性：迭代点必须在约束条件所限制的可行域内，即满足 gu(x)0, u=1,2,…,p 适用性：当前迭代点的目标函数值较前一点是下降的，即满足 F(xk+1)F(xk) 适用范围：只能求解不等式约束优化问题的最优解。 特点：①　在可行域内进行； 　　　② 若可行域是凸集，目标函数是定义在凸集上的凸函数， 则收敛到全局最优点；否则，结果与初始点有关。 收敛条件： 边界点的收敛条件应该符合 K-T 条件； 内点的收敛条件为： 目的：将有约束优化问题转化为无约束优化问题来解决。 前提：一不能破坏约束问题的约束条件，二使它归结到原约束问题的同一最优解上去。 惩罚函数法： 通过构造罚函数把约束问题转化为一系列无约束最优化问题，进而用无约束最优化方法去求解。惩罚函数法是一种使用很广泛、很有效的间接解法。 基本思想：以原目标函数和加权的约束函数共同构成一个新的目标函数 Φ( x, r1 ,r2 )，将约束优化问题转化为无约束优化问题。通过不断调整加权因子，产生一系列Φ函数的极小点序列 x(k)* (r1(k),r2(k)) k= 0,1,2… ，逐渐收敛到原目标函数的约束最优解。 三. 间接解法： 新目标函数： 加权因子（即惩罚因子）： r1 , r2 无约束优化问题： Φ函数的极小点序列 x (k)* ( r1 (k) , r2 (k) ) k= 0,1,2… 其收敛必须满足： 其中 和 称为加权转化项，并根据它们在惩罚函数中的作用，分别称为障碍项和惩罚项。 障碍项：当迭代点在可行域内时，在迭代过程中阻止迭代点越出边界。 惩罚项：当迭代点在非可行域或不满足不等式约束条件时，在迭代过程之中迫使迭代点逼近约束边界或等式约束曲面。 分类： 根据约束形式和定义的泛函及罚因子的递推方法等不同，罚函数法可分为内点法、外点法和混合罚函数法三种。 这种方法是1968年由美国学者A．V．Fiacco和G．P．Mcormick提出的，把不等式约束引入数学模型中，为求多维有约束非线性规划问题开创了一个新局面。 适用范围：求解等式约束优化问题和一般约束优化问题。 §4.2 内点惩罚函数法（障碍函数法） 一. 基本思想： 内点法将新目标函数 Φ( x , r ) 构筑在可行域 D 内，随着惩罚因子 r(k) 的不断递减，生成一系列新目标函数 Φ(xk ,r(k))，在可行域内逐步迭代，产生的极值点 xk*(r(k)) 序列从可行域内部趋向原目标函数的约束最优点 x* 。 内点法只能用来求解具有不等式约束的优化问题。 二. 惩罚函数的形式： 其中：惩罚（加权）因子 降低系数 c： 0 c 1 例： 用内点法求 的约束最优解。 解: 首先构造内点惩罚函数: 用解析法求函数的极小值，运用极值条件： 联立求解得： 时不满足约束条件 应舍去 。 无约束极值点为： 当 内点法的迭代过程在可行域内进行，“障碍项”的作用是阻止迭代点越出可行域。 三. 步骤： 选取合适的初始点 x(0) ，以及 r(0)、c、计算精度 ε1、ε2 ，令 k=0； 2. 构造惩罚（新目标）函数； 3. 调用无约束优化方法，求新目标函数的最优解 xk* 和 Φ(xk , r(k) ) ；