现代设计方法复习题解析.ppt

* §2-2 函数的凸性 1. 凸集 * 2. 凸函数 *如果HESSEN矩阵正定，为凸函数； 二次函数 * 几个常用的梯度公式： * §2-3 优化问题的极值条件 *一、无约束优化问题的极值条件 1.F(x)在 处取得极值，其必要条件是: 即在极值点处函数的梯度为n维零向量。 * 2. 处取得极值充分条件 海色（Hessian）矩阵 正定，即各阶主子式均大于零，则X*为极小点。 海色（Hessian）矩阵 负定，即各阶主子式负、正相间，则X*为极大点。 * 1、约束优化设计的最优点在可行域 D 中 最优点是一个内点，其最优解条件与无约束优化设计的最优解条件相同； *二、约束优化问题的极值条件 * 2、约束优化设计的最优点在可行域 D 的边界上 设 X (k) 点有适时约束 *库恩—塔克条件 （K-T条件）： * K-T条件是多元函数取得约束极值的必要条件,以用来作为约束极值的判断条件，又可以来直接求解较简单的约束优化问题。 对于目标函数和约束函数都是凸函数的情况， 符合K-T条件的点一定是全局最优点。这种情况K-T条件即为多元函数取得约束极值的充分必要条件。 * 第三章 一维搜索的最优化方法 *黄金分割法 1、在寻找一个区间 [ Xa , Xb ]，使函数 f (X)在该区间的极小点 X* ∈ [ Xa , Xb ] 。 2、用黄金分割法在区间[ Xa , Xb ]中寻找 X* 。 [ Xa ，X1， X2， Xb ] 如何消去子区间？ f (X1) f (X2) ，消去[X2， Xb]，保留[Xa， X2] f (X1) f (X2) ，消去[Xa， X1]，保留[X1， Xb] * 第三章 一维搜索的最优化方法 确定最优解所在区间的进退法 一维搜索的插值类方法 1、牛顿法 2、抛物线法（二次插值法） * *§4-1 梯度法 负梯度方向 是函数最速下降方向。 梯度法就是以负梯度方向作为一维搜索的方向，即 k=1,2, ··· ,n 第 四 章 无约束最优化方法 * *在最速下降法中，相邻两个迭代点上的函数梯度相互垂直。而搜索方向就是负梯度方向，因此相邻两个搜索方向互相垂直。 图4-2 最速下降法的搜索路径 * §4-2 牛顿法 牛顿法的迭代公式 阻尼牛顿法的迭代公式 牛顿方向 * §4-3 变尺度法 ( DFP 法 ) H (0) = I ， 变尺度法本质上是共轭方向法。 * §4-4 共轭方向法 共轭方向 定义： 设 A 为 n × n 阶实对称正定矩阵，有一组非零的 n 维向量 d1、 d2 、…、 dn，若满足 diT A dj 则称向量系 di ( i=1,2,…,n ) 对于矩阵 A 共轭。 * *二 鲍威尔 (Powell)法 坐标轮换法 鲍威尔法原理，如何构成共轭方向？能具体运用！ * *§4-5 单纯形方法 单纯形思想、原理； 四种操作：反射、扩张、收缩和缩边。 * 第五章 约束优化设计 §5-1 关于设计约束的若干概念 可行域 所有满足全部约束条件的点的集合。 * 可行点 可行域中的点，即满足所有约束条件的点。 边界点 在可行域边界上的点。 若有点 Xk 使得 则 Xk 为一个边界点。 内点 除边界点以外的所有可行点。 若有点 Xk 满足 则 Xk 为一个内点。 * * §5-2 约束优化设计的复合形法 对约