《机械优化设计》-第二-五讲2015.pptx

第二章 优化设计的数学基础 一、等值（线）面 对于可计算的函数 f(x)，给定一个设计点 X(k)(x1(k),x2(k), …,xn (k))，f(x)总有一个定值c 与之对应；而当f(x)取定值 c 时，则有无限多个设计点X(i)(x1(i), x2(i), …,xn(i) ) （i=1,2, … ）与之对应，这些点集构成一个曲面，称为等值面。 当 c 取c1,c2, …等值时，就获得一族曲面族，称为等值面族。 当f(x)是二维时，获得一族等值线族； 当f(x)是三维时，获得一族等值面族； 当f(x)大于三维时，获得一族超等值面族。 等值线的“心” （以二维为例） 第二章 优化设计的数学基础 一个“心”：是单峰函数的极（小）值点，是全局极（小）值点。 没有“心”：例，线性函数的等值线是平行的，无“心”，认为极值点在无穷远处。 多个“心”：不是单峰函数，每个极（小）值点只是局部极（小）值点，必须通过比较各个极值点和“鞍点”（须正确判别）的值，才能确定极（小）值点。 第二章 优化设计的数学基础 等值线的分布规律： 等值线越内层其函数值越小（对于求目标函数的极小化来说） 沿等值线密的方向，函数值变化快；沿等值线疏的方向，函数值变化慢。 对于有心的等值线来说，其等值线簇的中心就是一个相对极小点；而对于无心的等值线簇来说，其相对极小点就是在无穷远了。 第二章 优化设计的数学基础 二、梯度 方向导数：函数值在某一个方向的变化率。 二维问题中，f (x1,x2 ) 在 X(0) 点沿方向 s的方向导数为： 其中： 是 X(0)点的梯度。 S 为s方向的单位向量， 。 为 S 的方向角, 方向导数 为梯度 在方向 s 上的投影。 第二章 优化设计的数学基础 梯度的性质： ① 梯度的模因点而异，即函数f(x)在不同点的最大增长率不同。 ②梯度方向是X(0)点处指向函数变化率最大的方向，是函数的一种局部性质，只反映X(0)点邻近的函数性质； ③梯度方向与过该点的等值线的切线是正交的，是过该点的等值线的法线方向； ④正梯度方向是函数值最速上升的方向，负梯度方向是函数值最速下降的方向。 梯度方向的几何意义 第二章 优化设计的数学基础 梯度方向与等值线的关系 第二章 优化设计的数学基础 对于 n 维问题的梯度 第二章 优化设计的数学基础 第二章 优化设计的数学基础 三、多元函数的泰勒展开 n 维函数 f(x) 在 x(k) 点的泰勒展开式: 二阶近似式： 其中：增量 Δ X (k) =[Δx1 (k) , Δx2 (k) ,…, Δxn (k) ]T 梯度 Hesse 矩阵 第二章 优化设计的数学基础 解 二阶泰勒展开式为 第二章 优化设计的数学基础 对于二次型函数，当对任何非零向量 使 则二次型函数正定， 为正定矩阵。 四、Hesse 矩阵与正定 由线性代数可知，对称矩阵正定的条件是它的行列式的顺序主子式全部大于零。 第二章 优化设计的数学基础 Hesse 矩阵的特性：是实对称矩阵。 Hesse 矩阵的正定性： H(x*)正定， 是 x* 为全局极小值点的充分条件； H(x*)半正定, 是 x* 为局部极小值点的充分条件； H(x*)负定， 是 x* 为全局极大值点的充分条件； H(x*)半负定, 是 x* 为局部极大值点的充分条件。       H是正定矩阵的充要条件是它的所有主子式都大于0;       H是负定矩阵的充要条件是它的所有奇数阶主子式都小于0，并且它的所有偶数阶主子式都大于0；       H是半正定矩阵的充要条件是它的所有主子式都大于等于0；       H是半负定矩阵的充要条件是它的所有奇数阶主子式都小于等于0，并且它的所有偶数阶主子式都大于等于0； 五、凸集、凸函数与凸规划 设 为n维设计空间中的一个集合，若其中任意两点 的连线都包含在该集合内，就称该集合是n维设计空间的一个凸集。 第二章 优化设计的数学基础 凸集具有以下性质： 1、若 是一个凸集， 是一个实数， 是凸集 中的动点，即 ，则集合 还是凸集。 2、若 是凸集， 分别是凸集 中的动点，即 ， ， 则集合 还是凸集。 3、任何一组凸集的交集还是凸集。 第二章 优化设计的数学基础 设 为