第5章非线性规划(4h)16.ppt

第六章 非线性规划 一、基本概念 二、一维搜索 三、无约束极值问题 四、约束极值问题 一、基本概念 一、基本概念 一、基本概念 一、基本概念 一、基本概念 一、基本概念 一、基本概念 一、基本概念 二、一维搜索 二、一维搜索 二、一维搜索 二、一维搜索 给定初始点X(1)，允许误差ε0，k=0 确定有利得搜索方向d(k)为X(k)点的负梯度方向 判断精度 确定最优步长 求出新点.令k＝k＋1返回第2步 给定初始点X(1)，允许误差ε0，k=1 确定搜索方向d(k)： 判断精度 确定最优步长 求出新点.令k＝k＋1返回第2步 求下列非线性规划问题的库恩－塔克点 算法步骤 给定初始点x(0),初始罚因子M10，放大系数C1,允许误差ε0,令k=1 求解罚函数p(X,Mk)的无约束极小 以X(k-1)为始点，求解min p(X,Mk),得其极小点X(k) 判断精度 在X(k)点，若罚项ε,停止计算。否则，令Mk+1=CMk,k=k+1 算法步骤 给定初始点x(0),初始罚因子r10，允许误差ε0,令k=1 求解罚函数p(X,rk)的无约束极小 以X(k-1)为始点，求解min p(X,rk),得其极小点X(k) 判断精度 在X(k)点，若罚项≤ε,停止计算。否则，令rk+1=Crk,k=k+1 将非线性规划问题中的目标函数合约束条件近似为线性规划，并对变量的取值范围加以限制，从而得到一近似线性规划，再用单纯形求解之，把符合原始约束的最优解作为原非线性规划的解的近似。 四、约束极值问题 例 用内点法求解非线性规划 四、约束极值问题 四、约束极值问题 0.0002 0.0020 0.0001 0.00010 0.0001 7 0.0020 0.0158 0.0010 0.00100 0.001 6 0.0199 0.1120 0.0101 0.00981 0.01 5 0.1927 0.6554 0.1073 0.08541 0.1 4 0.9045 1.6765 0.5955 0.30902 0.5 3 1.7500 2.0377 1.2500 0.50000 1 2 3.3904 1.5470 2.6096 0.78078 2 1 f(x) p(x) x2 x1 rk K 非线性规划模型 3.近似规划 近似规划的基本思想 四、约束极值问题 * 第六章 一般形式 1．非线性规划的数学模型 2．二维问题的图解 考虑非线性规划问题 B A C D 0 5 x1 x2 3．几个定义 定义1 局部极小值(严格局部极小值) 定义2 全局极小值(严格全局极小值) 4．多元函数极值点存在的条件 1)必要条件 梯度 函数在某点的梯度，垂直于过该点的等值面的切平面。 梯度方向是函数值增加最快的方向。 满足梯度为零的点称为驻点。 4．多元函数极值点存在的条件 2)充分条件 海赛矩阵 若A为实数，则为实二次型； 若X≠0，实二次型总为正（负），则称正（负）定； 不定 半正（负）定。 A——正、负、不定、半正、半负定 二次型 4．多元函数极值点存在的条件 2)充分条件 海赛矩阵 若海赛矩阵是正定的，则驻点是极小点； 若海赛矩阵是负定的，则驻点是极大点； 若海赛矩阵是不定的，则驻点不是极值点； 若海赛矩阵是半定的，须视高阶导数的性质而定 。 例 利用极值条件求解下列问题： 解： 驻点处的海赛矩阵： 极小点 极大点 不定 不定 5．下降迭代算法 选取某一初始点X(1),令k=0 确定一个有利搜索方向d(k) 确定最优步长λK，得一新点X(k+1) 检验X(k+1) 是否为极小点，若是，停止计算。否则令k＝k＋1返回第2步继续迭代。 x y a b b1 a1 0 X′ x y a b b1 a1 0 X′ 一维搜索方法的斐波那契法与黄金分割法的寻优途径不是直接找出最优点，而是不断缩小最优点所处区域，直到符合精度为止。这两种方法的主要特点为：①适于单峰（谷）函数；②压缩峰（谷）点所处的区域 x y a b b1 a1 0 X′ x y a b b1 a1 0 X′ 1．0.618法(黄金分割法) 在区间[a,b]上选取a1和b1 计算f(a1),f(b1)比较函数值的大小，缩短区间。 置换区间端点。 判断精度（bk-ak)/(b-a)=0.618Kδ 极值计算：t*=(aK+bK)/2，f(x*)为近似值。 例 黄金割法求下述问题的极小点,要求绝对误差不超过0.25。 （1） 解： 二、一维搜索 二、一维搜索 1 1 2 3 5