机械优化设计方法第3章.pptVIP

  1. 1、本文档共65页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
机械优化设计方法第3章

第三章 优化设计方法的数学基础 3-1 优化设计问题的几何意义;现以二维无约束最优化设计问题为例阐明其几何意义。 如图,二维目标函数f(X)=f(x1, x2)在以x1, x2和f(X)为坐标的三维坐标系空间内是一个曲面。在二维设计平面x1ox2中,每一个点X= [x1, x2]T都有一个相应的目标函数值f(X)=f(x1, x2),它在图中反映为沿f(X)轴方向的高度。 ;二、约束最优解和无约束最优解;等值钱表示了目标函数值的变化情况,越向里边的代表目标函数值越小。 显然其无约束最优解为目标函数等值线同心圆中心X*(1)=[x1*(1),x2*(1)]T,f(X*(1))=0。 而其约束最优解则需在由约束线g1(X)=0,g2(X)=0,g3(X)=0,g4(X)=0组成的可行域D(阴影线里侧)内寻找使目标函数值为最小的点.由图可见约束曲线g4(X)=0与某等值线的一个切点X*(2)即为所求。 X*(2) =[x1*(2),x2*(2)]T =[0.85,1.34] T,f( X*(2) )=3.80,为其约束最优解。 ;二维问题关于约束最优解和无约束最优解几问意义的讨论,同样可推广到高维问题。n个设计变量X= [x1, x2, …, xn]T组成设计空间。 在这个空间中的每一个点代表一个设计方案,此时n个变量具有确定的值。 当给定目标函数某一定值时,就在n维设计空间内构成一个目标函数的等值超曲面。给定目标函数一系列数值时就获得一系列目标函数的等值超曲面。这些等值超曲面反映了目标函数变化情况。 无约束最优点为这些等值超曲面的共同中心。 对于约束最优化问题,每一个约束条件在n维设计空间是一个约束超曲面,全部约束超曲面在设计空间中构成可行域D,在其上寻找目标函数值最小的点即为约束最优点。 这一点可以是目标函数等值超曲面与某个 约束超曲面的一个切点,也可以是目标函 数值较小的某些约束超曲面的交点(如图所 示的X*点)。 ;三、局部最优解和全域最优解;对于约束最优化问题,情况更为 复杂。它不仅与目标函数的性质 有关,而且还与约束条件及其函 数性质有关。如图3-5所示,目标 函数f(X)的等值线绘于图上,有两 个不等式约束g1(X)≥0,g2(X) ≥0, 构成两个可行域D1和D2。X*(1)、 X *(2) 、X *(3)分别是可行域内在某 一邻域目标函数值最小的点,都是 局部极小点,亦即X *(1)、f(X *(1)) ,X *(2)、f(X *(2) ),X *(3)、f(X *(3) )均称局部最优解。可知 X *(3) 为全域极小点,亦即X *(3) 和f(X *(3) )为全域最优解。;3-2函数的方向导数和梯度 ;函数的偏导数仅仅描述了函数 沿其自变量所在坐标轴的特定方 向上的变化率 在许多实际问题中,常常需要 知道函数沿其它任一方向上的变化率。对这样的问题就要借助于函数的方向导数来描述。 函数在某一点X(0)处沿某任意指定方向S上的方向导数就是函数在X(0)处沿S方向的变化率,记为;从同一点X(0) 出发,沿不同方向的方向导数不相同。 就象爬山一样,把目标函数值看做山的海拔高度,方向导数不同犹如沿不同的路线或方向山的坡度不一样。 方向导数越大,表明沿这个方向或路线山的坡度越大。 提出问题:从X(0)点出发,可以有无穷多个方向,那么究竟哪一个方向函数f(X)的变化率最大呢? 这个问题要借助于函数的梯度来判定。 ;二、函数的梯度 ;▽f(X)是一个矢量,其分量是f(X)沿各坐标轴的偏导数。该矢量与S0的方向无关,而完全由函数f(X)的性质所决定。 矢量▽f(X)的方向就是函数f(X)变化率最大的方向,且其模‖▽f(X)‖恰好是这个最大变化率的数值。 把▽f(X)矢量称为函数f(X)在给定点X(0)的梯度。 也就是说,函数f(X)的梯度方向是函数值增大最快的方向:函数f(X) 在某给定点X(0)处的梯度的模等于该给定点处函数值增大变化率的数值。;函数梯度的性质 ;几个常用函数的梯度公式 ;3-3函数的Taylor展开式和Hessian矩阵 ;在式中若取其前二项,即 ;推广到n元函数的情形。令△xi=xi-x0i,并取类似式(3-7)中的前三项,设f(X)=f(x1, x2, …, xn);X=[x1, x2, …, xn]T,且有,X(0)=[x1(0), x2(0), …, xn(0)]T,则有 f(X)=f(X(0))+{ fx1′(X(0))△x1+…+fxn′(X(0))△xn } +0.5{[ fx1 x1″(X(0))△x12+fx1 x2″(X(0))△x1△x2+ … +fx1 xn″(X(0))△x1△xn]+[ fx2 x1″(X(0))△x1△x2

您可能关注的文档

文档评论(0)

shaoye348 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档