第三章优化设计中最常见的最优化方法.pptVIP

第三章优化设计中最常见的最优化方法 3.2 约束优化方法 3.2.1 约束优化方法概述 3.2.2 约束随机方向法 3.2.3 复合型法 3.2.4 约束可行方向法 (直接搜索方法) 3.2.1 约束优化方法概述 一、约束优化问题的数学模型 二、约束优化方法分类 （1). 直接法 直接法是在满足约束条件的可行域内直接求出问题的约束最优解，整个求解过程在可行域内进行，因而所得的任一方案都是可行的。原理比较简单，方法比较适用。 包括：网格法、分层降维枚举法、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 间接法是将约束优化问题先转变成一系列无约束优化问题，用无约束优化方法来求解。可见，无约束优化方法是约束优化方法的基础。 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、精确罚函数法、广义乘子法、广义简约梯度法和约束变尺度法。 3.2.2 约束随机方向法 基本原理 对于求解 的约束非线性规划问题， 采用约束随机方向搜索法的迭代格式为 式中 —第k次迭代的随机搜索方向; —所用的步长因子。 在约束可行域内选取一个初始点x(0)。为了确定本次迭代的搜索方向，以若干个不同方向的向量△x进行试验性的探索，若f(x(0)+ △x)＜f(x(0))，则以△x为搜索方向，取适当步长因子，在不破坏约束条件的情况下，前进一步，取得新点x，若f(x)＜f(x(0))，则将起始点移至x点，重复前面的过程。否则需将步长因子缩短，直至取得一个好的可行点。如此周而复始，直至迭代步长已经很小时(即相邻二次迭代点已相距很近)，就结束计算过程，取得约束最优解。 显然，约束随机方向搜索法的关键是如何确定 初始点、 搜索方向 和搜索步长， 而这些都需要涉及随机数问题。 一、随机数的产生 在一般计算机上都备有过程或子程序，调用它即可得[0，1]区间内均匀分布的伪随机数列。 若已产生了[0，1]区间上的伪随机数r，则通过变换可以求得任意区间[a，b]内的伪随机数R R=a+r(b-a) 二、初始点的选择 通常可以有两种确定方法： (1)决定性的方法 即在可行域内人为地确定一个可行的初始点。当约束条件比较简单时，这种方法是可用的。但当约束条件比较复杂时，人为选择一个可行点就比较困难，建议用下面的随机选择方法。 (2)随机选择方法 即利用计算机产生的伪随机数来选择一个可行的初始点x(0)。 需要输入对设计变量估计的上限值和下限值，即 ai≤xi≤bi i=1,2,…,n 这样，所产生的随机点的各分量为 xi(0) = ai+ri(bi - ai ) i=1,2,…,n 式中 ri——[0，1]区间内服从均匀分布的伪随机数。 这样产生的随机点不一定满足所有的约束条件。因此还必须经过可行性条件的检验。若是可行点，即可作为初始点x(0)。若为非可行点，则另取伪随机数再产生一个随机点。直到产生一个可行的随机点为止。采用这种方法来产生可行的初始点，对于中等规模的优化设计问题都比较适用。 三、随机搜索方向的产生 利用伪随机数可以用不同的方法产生随机搜索方向s。 以二维问题为例， 若r1(j) 、r2(j)为[一1，1]区间内均匀分布的伪随机数，则可用下式产生N个随机单位向量 取得N个随机单位向量后，可按下式产生N个随机试验点 x(j) =x(0) +H0 e(j) j=1,2,…,N 式中H0 ——试验步长因子，一般可取为0.1或0.01， 或者更小一点。 然后检查试验点是否为可行点，计算可行试验点的目标函数值，比较它们的大小，选出其中目标函数值最小的点x(L)，即 f(x(L))=min{ f(x(j)), j=1,2,…,N；非可行点除外} 若f(x(L))＜f(x(0))，则取x(0) 和x(L)的连线方向作为按索方向，即 s= x(L) - x(0) 对于2维问题，其单位向量e(j) 的端点分布于单位圆的圆周上。为了尽可能获得较优的搜索方向，应选取适当的步长因子H0。将单位圆缩小或放大，使试验点落在以H0 e(j)为半径的圆周上。H0太小，搜索方向的选择将受目标函数局部性质的影响，若H0太大，同样数量的试验点分布在很大圆周上，降低了密度，取得较优的搜索方向的机会也就减少了，影响了收敛速度。 对于三维问题，其随机单位向量 e(j) 的端点位于以单位长为半径的球面上。对于n维问题，则位于超球面上。在这种情况下，其单位随机向