第11章 约束问题的线性化方法.pptVIP

例：可行方向算法 … 可行方向算法修正 ε微扰法 Topkis–Veinott方法 11.3.2单纯形方法推广 单纯形方法回顾 约束标准型： 基本解： 相对收益： 基本变量的 选取与替换： 新的可行基本解： 最优化准则： 所有非基本变量的相对收益大于或等于0 单纯形方法推广到线性约束问题：凸单纯形方法 相对收益： 最优化准则： 最优解可能不在顶点，非基本变量可能不为0 约束标准型： 基本解： 相对收益： 最优化准则： 线性搜索 凸单纯形算法 凸单纯形算法 11.3.3既约(Reduced)梯度方法 类似于无约束优化的梯度算法（Cauchy算法）。搜索方向d 为梯度的负方向 约化梯度为 ，即凸单纯形算法中非基本量的相对收益。可以证明，它实际上是在约束条件(m个)下的以非基本变量为独立变量(n-m)的梯度： 称为约化梯度，是在非基本变量子空间中的梯度。 11.3.3既约(Reduced)梯度方法 基本量的变化： 非基本量子空间 中的搜索方向： 保证x在定义域内： 确定搜索方向 11.3.3既约(Reduced)梯度方法 11.3.3既约(Reduced)梯度方法 约化梯度方法的加速 共轭梯度 准牛顿方法 11.3.4广义既约梯度(GRG)方法 推广约化梯度方法到一般的非线性优化问题 GRG基本思想：等式约束可以通过消元的办法化为无约束问题 将等式约束线化 消元