第六节 约束规划.docVIP

第六章 约束优化方法 工程实际优化问题绝大多数属于约束非线性规划问题，其一般数学表达式为： 求解方法可分为：直接法和间接法。两类方法的特点见表1 分类 举例 优点 缺点 应用场合 直接法 坐标轮换法 随机方向搜索法复合形法 算法简单、直观 计算量大，收敛慢 维数低，函数复杂，精度要求低的优化问题 间接法 简约梯度法 惩罚函数法 序列二次规划 收敛快，整体计算量小 公式较复杂 大型优化问题 6.1 约束随机方向搜索法 6.1.1 基本原理 在可行域内选一初始点X0，以一初始步长沿一随机方向S1，求得探索点X。S1应保证X在可行域内且使目标函数值下降，即新点应有可行性和下降性。改变步长，继续在S1方向上探索，得到S1方向上的最优点X1。 以X1为初始点，在另一随机方向S2上重复上述过程，得到S2方向上的最优点X2。 如此重复下去。 当某一成功点X*沿着N（N=50~500）个随机方向的探索均失败时，以X*为最优解。 6.1.2 初始点的选取 要求初始点可行点。当约束条件比较简单时，可人为确定；当约束条件复杂时，人为方法比较困难，可随机选取，即利用计算机产生的伪随机数来生成初始点。具体方法为： 设设计变量的分量xi在取值范围为区间[ai,bi]，qi为区间（0，1）内的随机数，则xi的随机数为 由此可得到X所有分量随机数，然后将X代入约束条件中检验，若满足所有约束条件，则X是可行点。否则应重新选取初始点。 6.1.3 随机搜索方向的产生 以二维问题为例，说明随机搜索方向的产生方法。若y1、y2为区间[-1，1]上两个随机数，则向量[y1,y2]可为平面内的任意方向。取向量[y1,y2]的单位向量e 则e的端点位于单位圆的圆周上。对于三维问题，单位向量e的端点位于以单位长度为半径的球面上。 上式中要求y1、y2在区间[-1，1]内随机取值，若计算机只能产生[0,1]区间内的伪随机数ri，可用下式将其转换为[-1,1]区间的伪随机数： 6.1.4 举例 例：用约束随机方向搜索法求解 解：人工选取一初始点X0=[5，5]T，初始点在可行域内。相应的目标函数值为F(X0)=50。 第一次迭代 1)产生两个伪随机数，求出第一个随机方向。 生成两个伪随机数r1=0.9, r2=0.2 由此得第一个随机方向为： 2)求第一个迭代点 第一个迭代点表达式为： 式中a为步长。 将X1的表达式代入目标函数中，进行一维搜索，令目标函数对步长a的一阶导数为0，即可求出沿e1方向的最优步长。 第一个迭代点为： 3）检验X（1）点是否满足约束条件 g(X(1))=2╳4.2+5.6=1412，X（1）满足约束条件，是可行点。相应的目标函数值为: 第二次迭代 以X1为初始点，重新生成随机搜索方向e2。 （以下过程略） 6.2 复合形法 6.2.1 复合形法的基本原理 在n维空间的可行域中选取k个设计点（通常取n+1≤k≤2n）作为初始复合形的顶点，然后比较复合形各顶点目标函数值的大小，目标函数值最大的点为坏点，以坏点之外的点的中心为映射点为中心，求出坏点的映射点。一般映射点优于坏点，以映射点代替坏点，构成新的复形。如此循环，使复合形不断向最优点移动和收缩。当收缩到复合形的各个顶点与形心非常接近、满足迭代精度要求时为止。最后输出复合形顶点中目标函数值最小的顶点为近似最优点。 如图二维约束优化问题，n=2, 取4个顶点构成初始复合形，设这4个点中目标函数值最大的点为X1 ，记为XH，目标函数值最小的点为X3，记为XL。丢弃XH点，求另外3点的中心XC,连接XC和XH，在连线上确定出映射点XR。 式中α为映射系数，一般α1，通常取α=1.3。 XR在可行域内，且XR的目标函数值优于XH，则以XR替换XH形成新的复合形，重复上述过程。 若XR不满足上述两个条件，则将映射系数α减半，α可以多次减半。若α变得很小仍不能使XR满足条件，可以次坏点代替坏点进行映射。 在求映射点之前，若XC在可行域之外，则可行域可能是一个非凸集，这时可由XC与XL构成一个超立方体（二维情况下为长方形），在该区域内重新利用伪随机数产生k个顶点，构成新的复合形。 6.2.2 初始复合形法的产生 对于维数较低的简单优化问题，可以人为给出初始复合形顶点。 对于复杂优化问题，多采用随机方法产生初始复合形。过程如下： 利用随机函数，生成第一个顶点，确保该顶点在可行域内。 产生其他（k-1）个随机点 若X2、X3、…、Xq都在可行域内，则它们可作为初始复合形的顶点。若Xq+1点不在可行域，如图， 先求出已在可行域中的q个顶点的中心XD，然后在XD 与Xq+1连线上移动Xq+1点，使Xq+1到XD的距离减半，即： 若推移后