工程优化第二章节-1.pptVIP

课后作业 P38 2.1 2.3 2.9-- 2.14 最优性条件(Optimality Conditions) 所谓最优性条件，是指最优化问题的最优解所要满足的 必要条件或充分条件。 这些条件对于最优化算法的建立和最优化理论的推导都是至关重要的。 解析法要用到目标函数的梯度或者Hesse矩阵，容易想到 利用一阶必要条件将无约束优化问题转化成一个梯度为0确定 的方程组。 这里用到的一阶必要条件就是最优性条件。 定理1(一阶必要条件) 设 ，若 为 的局部极小点，且在 内连续可微，则 无约束优化的最优性条件----一阶必要条件 若 为 的局部极小点，且在 内 二次连续可微，则 半正定。 无约束优化的最优性条件----二阶条件 定理2（二阶必要条件） 注：定理2不是充分条件，定理3不是必要条件 定理3(二阶充分条件) 设 ，若在 内 二次连续可微，且 正定，则 为 的严格局部极小点。 如果 负定，则 为 的严格局部极大点。 定理4(一阶充要条件) 设 是凸函数且在 处连续可微，则 为 的全局极小点的充要条件是 无约束优化的最优性条件----凸优化的一阶条件 定理5(一阶必要条件) 设 是严格凸函数且在 处连续可微，若 则 为 的唯一全局极小点。 例： 利用最优性条件求解下列问题： 解： 令 即： 得到驻点： 无约束优化的最优性条件 利用二阶条件判断驻点是否是极小点 利用一阶条件求驻点 函数 的Hesse阵： 在点 处的Hesse阵依次为： 无约束优化的最优性条件 利用二阶条件判断驻点是否是极小点 不是正定矩阵； 无约束优化的最优性条件 是正定矩阵； 是负定矩阵； 不是极小点； 是极小点； 是极大点。 第二章 基本概念和理论基础 本章主要内容： §1 多元函数的梯度及其Hesse矩阵 §2 多元函数的极值及其判别条件 §3 等高线 §4 多元函数分析（二次函数） §5 凸集、凸函数、凸规划 §6 几个重要的不等式 §3 等高线 例3.1 求解 ，这是定义在 平面 上的无约束极小化问题，其目标函数 在 三维空间中代表一个曲面 。 二元函数最优化问题，具有明显的几何特征，从几何图形上，可以直观了解函数的变化，我们把这种几何解释推广到n维空间中，对后面优化方法的研究是有益处的。 §3 等高线 在 平面上任给一点 ，就对应有一个目标函数值 是过 点作 平面的垂线与S曲面交点的纵坐标。 反之，任给一个值f0 ,使目标函数f(z)取值为f0的点z的个数就不相同了。可能没有，可能只有一个，可能有多个。 这一事实的几何意义是：过 f 轴上坐标为f0的点作 坐标平面的平行平面L，可能与曲面S无交点(f0 0), 可能与S有一个交点(f0 =0), 可能与S交成一条曲线(f0 0). §3 等高线 平面L截曲面S得到一个圆，将它投影到 平面上，仍为同样大小的圆，在这个圆上每一点的目标 函数值均为f0。 定义3.1（等值线）若一条曲线上任何一点的目标函数值等于同一常数，则称此曲线为目标函数的等值线。 我们感兴趣的是至少有一个交点（f0 ≥0）的情形。 注意：例3.1中变动 f 的值，得到不同等值线，这是一组同心圆；对应f0=0的等值线缩为一点G；对应f00的等值线为空集. 随着 f 值变小，等值线圆半径变小，最后缩为一点，即为问题的最小值点 G，即 §3 等高线 例3.2 用图解法求解 解：先画出目标函数等值线，再画出约束曲线。 对应的最优值为 由图易见约束直线与等值线的切点是最优点，利用解析几何的方法得 该切点为 本处约束曲线是一条直线，这条直线就是可行域；而最优点就是可行域上使等值线具有最小值的点. §3 等高线 定义3.2（等值面） 在三维和三维以上的空间中，使目标函 数取同一常数值的面 {x| f(x)=r, r是常数} 称为目标函数的等值面。 定理3.1 若多元