最优化理论 第四章.pptVIP

解：对称矩阵Q的三个主子式依次为： 例：判定矩阵Q= 是否正定 一个n×n对称矩阵Q是负定矩阵的充要条件是矩阵Q的各阶主子式的值负、正相间。 因此知矩阵Q是正定的。 ；…； 当极值点X*能使f（X*）在整个可行域中为最小值时，即在整个可行域中对任一X都有f（X）≥f（X*）时，则X*就是最优点，且称为全域最优点或整体最优点。若f（X*）为局部可行域中的极小值而不是整个可行域中的最小值时，则称X*为局部最优点或相对最优点。最优化的目标是全域最优点。为了判断某一极值点是否为全域最优点，研究一下函数的凸性很有必要。 函数的凸性表现为单峰性。对于具有凸性特点的函数来说，其极值点只有一个，因而该点既是局部最优点亦为全域最优点。 4.3 凸函数与凸规划 一、凸函数 具有凸性（表现为单峰性）或只有唯一的局部最优值亦即全域最优值的函数，称为凸函数或单峰函数。其数学定义是： 设 f（X）为定义在 n维欧氏空间中的一个凸集D上的函数，如果对任何实数a（0a1）以及对D中任意两点X(1)、X(2)恒有: 则f（X）为D上的凸函数。 凸函数的几何意义如下图所示： 图 一元凸函数的几何意义 在凸函数曲线上取任意两点（对应于X轴上的坐标X(1)、X（2））联成一直线线段，则该线段上任一点（对应于X轴上的X(k)点）的纵坐标Y值必大于或等于该点（X(k)）处的原函数值f(X(k))。 凸函数的一些性质： 1）若 f（X）为定义在凸集D上的一个凸函数，且 a是一个正数（a 0），则 af（X）也必是定义在凸集D上的凸函数； 3）若f1(X），f2(X )为定义在凸集D上的两个凸函数，α和β为两个任意正数，则函数 afl（X）＋βf2(X)仍为D上的凸函数。 2）定义在凸集D上的两个凸函数f1(X），f2(X)，其和 f（X）=f1（X）十f2（X）亦必为该凸集上的一个凸函数； 1）若f（X）为定义在凸集D上且具有连续一阶导数的函数，则f（X）为凸函数的充分必要条件为： 对任意两点X（1），X（2），不等式 二、凸性条件 恒成立 2）设f（X）为定义在凸集R上具有连续二阶导数的函数，则f（X）在R上为凸函数的充分必要条件是海赛矩阵H(X)在R上处处半正定。 三、凸规划 对于约束优化问题 式中若f（X）、 均为凸函数，则称此问题为凸规划。 不论是无约束或有约束的优化问题，在实际应用中，要证明一个优化问题是否为凸规划，一般比较困难，有时甚至比求解优化问题本身还要麻烦。尤其对一些工程问题，由于其数学模型的性态都比较复杂，更难实现。因此，在优化问题的求解中，就不必花精力进行求证，而通常是从几个初始点出发，找出几个局部最优解，从中选择目标函数值最好的解。 注意： 4.4 无约束优化问题的极值条件 多元函数极值 极值定义：在X0点的某邻域 内，若 X0为严格极大值点； X0为严格极小值点； 极值存在的必要条件：梯度为[0]T向量 极值存在的充分条件： H(X0)正定， f(X0)为极小值； H(X0)负定， f(X0)为极大值。 例：试求f(x1,x2)＝2x12-8x1+2x22-4x2+20 的极值及极值点。 解：由极值点存在的必要条件 得驻点X*=[2，1]T, 在X*点海森矩阵为： 由于其各阶主子行列式为 可知在X*点海森矩阵正定的，所以，X*为极小点，其极小值为： 无约束优化设计问题最优解： 约束优化设计问题最优解： 不受约束条件限制，使目标函数达到最小值的一组优化变量，即最优点 x*=[x1*,x2*,…,x n*] 和最优值 f(x*)构成无约束问题最优解。 满足约束条件，使目标函数达到最小值的一组设计变量， 即最优点 x*=[x1*,x2*,…,x n*] 和最优值 f(x*)构成约束问题最优解。 4.5 约束优化问题的极值条件 有约束问题最优点的几种情况 有适时约束 目标函数是凸函数,可行域是凸集，则目标函数等值线与适时约束曲面的切点为最优点，而且是全局最优点。 无适时约束 目标函数是凸函数，可行域是凸集，则最优点是内点。相当于无约束问题的最优点。 · f (x) · x* · X* 上图所示的目标函数是凸函数，三个约束方程的边界值在设计空间中形成的可行域R是一个凸集。由图中可以看到，椭圆形等值线族的中心点X*是目标函数的无约束最优点，由于X*处在可行域内，故它也是目标函数的约束最优点。由此可看出，所有的约束条件，对最优点都不起作用时，可以不考虑这些约束，而用无约束极值条件来确定极小点。