机械优化设计及数学基础.ppt

机械优化设计 太原科技大学 张学良 第二章 优化设计的数学基础 梯度 可计算函数与等值面 给定一组设计变量的值，就对应一个确定的目标函数值f(X)=C，具有这种性质的函数叫可计算函数。反之，给定目标函数f(X)的值C，即f(X)=C，那么将有无限多个设计点X使该式成立，这些设计点在n维设计空间中将组成一个点集，称之为等值曲面（三维空间）或等值超曲面（n3），通称等值面。在二维平面中为等值线。若给定一系列目标函数的值，将在设计空间得到一组等值面（线）族。 f(X)=ax12+2bx1x2+cx22 a0 c0 ac-b20 一、最速下降方向——负梯度方向 与负梯度方向成锐角的方向为目标函数值的下降方向，成钝角的方向为目标函数值的增加方向。 两个向量的共轭 设两个非零向量S(0)、S(1)及对称正定矩阵H，若满足 凸集（见图2M8） 一个点集（或区域），如果连接其中任意两点的线段都全部包含在该点集内，则称该点集为凸集。否则，称为非凸集。 §2.5 优化方法的简单分类 * §2.1 目标函数的近似表达 设目标函数f (X)是一阶连续可微的，则它在某点X（k）处对 x i (i=1,2,…,n)的一阶偏导数的列向量（列矩阵）称为f (X)在X（k）点处的梯度，记作 梯度的模 海赛矩阵 设目标函数f (X)在某点X（k）处存在连续的一阶、二阶偏导数： 则函数f (X)在X（k）点的n2个二阶偏导数所构成的 n×n 阶方阵称为函数f (X)在X（k）点的海赛矩阵。 若函数f (X)的一阶偏导数在定义域内处处连续可微，则海赛矩阵为对称方阵。 目标函数的近似表达——泰勒展开 一元函数f (x)的泰勒展开： 二元函数f (x1，x2)的泰勒展开： n元函数f (X)的泰勒展开： 目标函数的等值线（面） §2.2 最速下降方向和共轭方向 函数的方向导数 X0 X0+?X ?x1 ?x2 ?S n元函数的方向导数: 目标函数的梯度方向是目标函数等值线（面）在同一点的法向矢量方向。 ?f(X(k)) -?f(X(k)) X(k) t 所以，目标函数在某一点的最速下降方向为负梯度方向 二、共轭方向 则称S(0)、S(1)关于H共轭，或称S(0)与S(1)为共轭方向。 若H为单位阵，即H=I，则S(0)与S(1)正交。 一组向量的共轭 设有一组非零向量S(0)、S(1) … S(n-1)及对称正定矩阵H，若满足 则称它们关于H共轭，或称它们为一组共轭方向。 若H为单位阵，则称它们相互正交。 §2.3 凸集、凸函数与凸规划 凸函数（见图2M10） 设函数f (X)定义域为凸集G，X(1)、X(2)为凸集G上的任意两点，若函数f (X)在线段X(1)X(2)上的函数值总小于或等于用f (X(1))及f (X(2))作线性内插所得的值，则称函数f (X)为凸集G上的凸函数，即满足 的函数f (X)为凸函数。若同时去掉式中的等号，则称函数f (X)为严格凸函数。 凸规划 对于约束优化问题 若函数f (X)、gj(X)均为凸函数，则称此约束优化问题为凸规划。 凸规划的性质 1）凸规划的可行域为凸集 2）凸规划的任何局部最优解就是全局最优解 §2.4 优化问题的几何解释 X* X* X* X* X* X* h1=0 h2=0 按有无约束分类 无约束优化方法、约束优化方法 按目标函数的维数分类 一维优化方法、多维优化方法 按目标函数的数目分类 单目标优化方法、多目标优化方法 按求优途径的不同分类 直接法、解析法（间接法）、实验法、图解法 §2.6 迭代方法及其收敛准则 无论是直接法还是解析法，求优的过程都是采用数值迭代法，且迭代公式的形式一致。 迭代方法 X (k+1)=X (k) + ?(k) S(k) (k =0 , 1 , 2 , …) 两个特性 1）下降性: f (X (k+1)) f (X (k)) 2）收敛性 : 当k?∞时，X (k) ? X * f (X (0)) f (X (1)) … f (X (k)) f (X (k+1)) … ? f (X *) *