;5 约束优化续.pptVIP

§5 约束优化(续) 作 业P319 2.(1),(3) 3. 5.4　二次规划 二次规划 目标函数是二次函数 约束是线性的 Lagrange 方法 起作用集方法 Lemke方法 Lagrange 方法 起作用集方法 作　业P322 17 18 * 可微 互补松弛条件 对于凸规划，有下面的一阶充分条件： 一般约束问题的一阶最优性条件 互补松弛条件 对于凸规划，有下面的一阶充分条件： 凹函数 线性函数 凸函数 图解： 1 1 F(x) (1,1) (2,1) f ? g1 ? g2 ? 几点说明 (1)、对于凸规划，K－T条件是充分必要条件。 (2)、关于“起作用约束在x*点梯度线性无关”说明 x2 0 g1 x1 x*=(1,0) minf(x)= -x1 g1(x)=(1-x1)3-x2?0 g2(x)= x1 ?0 g3(x)= x2 ?0 起作用约束为g1 , g3 ，而 ? f(x*)= -1 0 ? g1(x*)= 0 -1 ? g3(x*)= 0 1 ? g1 ? g3 与 线性相关 ? f ? g1 ? g3 , 显然 不能由 线性表示 ∴ x*不满足K－T条件 (3)、用K－T条件解 minf(x)=(x-3)2 0? x?5 设K－T点为x*， ? f(x)=2(x-3) ? g1(x)=1 ? g2(x)=-1 解：写出标准形 minf(x)=(x-3)2 g1(x)=x?0 g2(x)=5-x?0 K－T条件 2(x*-3)-w1+w2=0 w1 x*=0 w2(5-x*)=0 w1?0 , w2?0 分别考虑：① w1? 0 , w2? 0：无解 ②w1? 0 , w2=0：x*=0 , w1=-6，不是K－T点 ③ w1=0 , w2? 0：x*=5 , w2=-4，不是K－T点 ④ w1=0 , w2=0：x*=3 , f(x*)=0 ∵凸规划 ∴ x*=3是最小点 基本思想： 以已知的可行点为起点，把在该点起作用约束作为等式约束，在此约束下极小化目标函数，而其余的约束暂且不管，求得新的比较好的可行点后，重复以上做法。 起作用约束集不变 起作用约束集增加一个 起作用约束集减少一个 减少 减少 增加 不变 不变 * * * x1=0:0.1:1; x2=-1:0.1:1; [xx1,xx2]=meshgrid(x1,x2); zz=xx1-xx2.^2; contour(xx1,xx2,zz,1); hold on zz=-xx1+xx2; contour(xx1,xx2,zz,10); zz=(xx1-2).^2+xx2.^2; contour(xx1,xx2,zz,40)