《机械优化设计》自医学考试教学要求.pptVIP

《机械优化设计》自学考试教学要求;一、教学内容和重点、难点;一、教学内容和重点、难点; 绪论—一般了解;第一章 优化设计概述;3.优化设计问题的基本解法 识记：优化准则法；数值迭代法；搜索方向；最佳 步长；几种迭代收敛准则：模准则、值准 则和梯度准则。 领会：优化准则法和数值迭代法极值点的搜索过程 及特点。 应用：优化准则法和数值迭代法迭代公式；收敛准 则及收敛精度的选用。 二、本章重点、难点 本章重点：优化设计问题的基本概念和几何解释。 本章难点：优化设计问题数学模型的建立。 ;第二章 优化设计的数学基础;3. 无约束优化问题的极值条件 识记：极值点和拐点；函数取得极值的充分条件；海赛矩 阵正定。 领会：二元和多元函数取得极值的充分条件。 应用：二元函数取得极值判定 4. 凸集???凸函数与凸规划 识记：凸集与非凸集；局部极小点和全局极小点；凸函数 定义；凸规划和表达形式。 领会：凸集、凸函数和凸规划的性质。 应用：凸集与凸集的判定；凸函数的数学表达和几何描述。 ;5. 等式约束优化问题的极值条件 识记：消元法（降维法）定义；拉格朗日乘子和拉格 朗日乘子法定义和表达式。 领会：拉格朗日乘子法原理与算法步骤 应用：拉格朗日乘子法计算等式约束优化问题。 6. 不等式约束优化问题的极值条件 识记：一元函数在给定区间上的极值条件；库恩-塔克 条件的表达式。 领会：库恩-塔克条件的几何意义。 应用：库恩-塔克条件的在约束优化问题中的实际应用。 ;二、本章重点、难点 本章重点：多元函数的方向导数与梯度，多元函数的泰 勒展开，海赛矩阵，凸集、凸函数与凸规划 、库恩-塔克条件。 本章难点：等式约束优化问题的极值条件，库恩-塔克 条件。;第三章 一维搜索方法;第三章 一维搜索方法;第四章 无约束优化方法; 3. 共轭方向及共轭方向法 识记：共轭方向的概念；共轭方向的性质，求共轭方向的 迭代公式。 领会：共轭方向法迭代过程，格拉姆-斯密特向量系共轭化 方法。 应用：会求矩阵的一组共轭向量系。 4. 共轭梯度法 识记：共轭梯度法的原理和定义；共轭梯度方向的递推公式 领会：共轭梯度法的计算过程。 应用：用共轭梯度法求函数极值。 5. 变尺度法 识记：尺度矩阵的概念；变尺度矩阵的形式；拟牛顿条件。 领会：变尺度矩阵的建立方法，变尺度法的一般步骤。 应用：应用DFP变尺度法求函数极值。;第四章 无约束优化方法;第四章 无约束优化方法;第五章 线性规划;第五章 线性规划;第六章 约束优化方法;第六章 约束优化方法; 5. 惩罚函数法 识记：内点惩罚函数法、外点惩罚函数法、混合惩罚函 数法的定义；惩罚函数的形式；惩罚因子的取值 规律；初始点的选取要求。 领会：内点惩罚函数法、外点惩罚函数法和混合惩罚函 数法的原理和计算步骤；内点惩罚函数法、外点 惩罚函数法、混合惩罚函数法的最优点的逼近过程。 应用：用内点惩罚函数法、外点惩罚函数法和混合惩罚函数 法计算约束优化问题的最优解。 6. 增广乘子法 识记：拉格朗日乘子法、等式约束的增广乘子法原理；增广 乘子函数的形式。 领会：不等式约束的增广乘子法原理和计算步骤。 应用：用增广乘子法计算约束优化问题的最优解。;第六章 约束优化方法;第七章 多目标和离散变量优化方法;第七章 多目标和离散变量优化方法;第七章 多目标和离散变量优化方法; 9. 离散变量搜索型方法——离散复合型法 识记：离散复合型法的原理；离散复合型顶点的构建。 领会：离散复合型法搜索迭代过程。 10.离散变量型网格法 识记：离散变量型普通网格法和正交网格法原理。 领会：正交网格表的生成方法；正交网格法的计算步骤。 11.离散变量组合型法 识记：离散变量组合型法的原理；初始复合型顶点的形成。 领会：离散一维新点的产生方法；约束条件的处理及几何 意义；离散变量组合型法的搜索步骤；离散变量组 合型法收敛准则。 应用：离散惩罚函数法求解一维优化问题的几何意义。;第七章 多目标和离散变量优化方法;第八章 机械优化设计实例;第八章 机械优化设计实例;二、考核要求;1、总体要求;2、考试题型