第五章+约束优化计算方法概念.ppt

将有约束的优化问题转化为无约束优化问题来求解。前提：一是不能破坏约束问题的约束条件，二是使它归结到原约束问题的同一最优解上去。 构成一个新的目标函数，称为惩罚函数 从而有 惩罚项必须具有以下极限性质： 求解该新目标函数的无约束极小值，以期得到原问题的约束最优解。按一定的法则改变罚因子r1 和r2的值，求得一序列的无约束最优解，不断地逼近原约束优化问题的最优解。 根据约束形式和定义的泛函及罚因子的递推方法等不同，罚函数法可分为内点法、外点法和混合罚函数法三种。这种方法是1968年由美国学者A．V．Fiacco和G．P．Mcormick提出的，把不等式约束引入数学模型中，为求多维有约束非线性规划问题开创了一个新局面。 内点法 这种方法将新目标函数定义于可行域内，序列迭代点在可行域内逐步逼近约束边界上的最优点。内点法只能用来求解具有不等式约束的优化问题。 对于只具有不等式约束的优化问题： 转化后的惩罚函数形式为： 或： rk是惩罚因子，它是一个由大到小且趋近于0的正数列，即: 由于内点法的迭代过程在可行域内进行，“障碍项”的作用是阻止迭代点越出可行域。由“障碍项”的函数形式可知，当迭代点靠近某一约束边界时，其值趋近于0，而“障碍项”的值陡然增加，并趋近于无穷大，好像在可行域的边界上筑起了一道“高墙”，使迭代点始终不能越出可行域。显然，只有当惩罚因子 时，才能求得在约束边界上的最优解。 罚因子的作用是：由于内点法只能在可行域内迭代，而最优解很可能在可行域内靠近边界处或就在边界上，此时尽管泛函的值很大，但罚因子是不断递减的正值，经多次迭代，接近最优解时，惩罚项已是很小的正值。 例5-2 用内点法求 的约束最优解。 解: 用内点法求解该问题时，首先构造内点惩罚函数: 用解析法求函数的极小值，运用极值条件： 联立求解得： 时不满足约束条件 应舍去 。 无约束极值点为 当 1）? 初始点x0的选取 使用内点法时，初始点应选择一个离约束边界较远的可行点。如太靠近某一约束边界，构造的惩罚函数可能由于障碍项的值很大而变得畸形，使求解无约束优化问题发生困难. 2）? 惩罚因子初值r0的选取 惩罚因子的初值应适当，否则会影响迭代计算的正常进行。一般而言，太大，将增加迭代次数；太小，会使惩罚函数的性态变坏，甚至难以收敛到极值点。无一般性的有效方法。对于不同的问题，都要经过多次试算，才能决定一个适当 r0 ? 3) 惩罚因子的缩减系数c的选取 在构造序列惩罚函数时，惩罚因子r是一个逐次递减到0的数列，相邻两次迭代的惩罚因子的关系为 : 式中的c称为惩罚因子的缩减系数，c为小于1的正数。一般的看法是，c值的大小在迭代过程中不起决定性作用，通常的取值范围在0.1~0.7之间。 4) 收敛条件 算法步骤： 1）选择可行域内初始点X(0); 2）选取初始罚因子r(0)与罚因子降低系数c，并置K←0； 3）求minφ(x(K),r(K))解出最优点xK*； 4）当K=0转步骤5），否则转步骤6）； 5）K←K+1，r(K+1)←r(K)， xK+10←xK* ，并转步骤3）； 6）按终止准则判别，若满足转步骤7），否则转步骤5）； 7）输出最优解（X*，F*），停止计算。 机械优化设计 第五章 约束优化计算方法 5.1 引言 5.2 随机方向搜索法 5.3 复合形法 5.4 惩罚函数法 5.1 引言 机械优化设计中的问题，大多数属于约束优化设计问题，其数学模型为 上一章讨论的都是无约束条件下非线性函数的寻优方法，但在实际工程中大部分问题的变量取值都有一定的限制，也就是属于有约束条件的寻优问题。 与无约束问题不同，约束问题目标函数的最小值是满足约束条件下的最小值，即是由约束条件所限定的可行域内的最小值。只要由约束条件所决定的可行域必是一个凸集，目标函数是凸函数，其约束最优解就是全域最优解。否则，将由于所选择的初始点的不同，而探索到不同的局部最优解上。在这种情况下，探索结果经常与初始点的选择有关。为了能得到全局最优解，在探索过程中最好能改变初始点，有时甚至要改换几次。 （1）直接法 ??? 直接法包括：网格法、复合形法、随机试验法、随机方向法、可变容差法和可行方向法。 ??（2）间接法 ??? 间接法包括：罚函数法、内点罚函数法、外点罚函数法、混合罚函数法、广义乘子法、广义简约梯度法和约束变尺度法等。 根据求解方式的不同，约束优化设计问题可分为:直接解法、间接解法。 间接解法是将约