第4章节(约束)1.ppt

§4.3 外点惩罚函数法 例题 求约束问题 的最优解。 §4.3 外点惩罚函数法 例题 解 构造惩罚函数 可用梯度法求解 下一步迭代？ 练习 §4.3 外点惩罚函数法 方法评价 初始点原则上可任意选择; 能解决等式约束问题; 由于优化过程是在可行域外进行，故在解决工程问题时，过程解均不可行。 §4.4 混合惩罚函数法 惩罚函数的形式 由于内点法容易处理不等式约束优化设计问题，而外点法又容易处理等式约束优化设计问题，因而可将内点法与外点法结合起来，处理同时具有等式约束和不等式约束的优化设计问题。 一般既包括障碍项，也包括衰减项。 基本思想 §4.4 混合惩罚函数法 惩罚函数的形式 2. 对不满足的等式约束和不等式约束都用外点法，而对于x满足的不等式约束用内点法，即 1. 其中 其中 初始点、r 的选择参照内点法 初始点选择无限制 r 的选择参照外点法 其基本思想是把等式和不等式约束条件，经过适当定义的复合函数加到原目标函数上，从而取消了约束，转化为求解一系列无约束问题。根据惩罚函数在优化过程中迭代点是否为可行点，又分为内点法、外点法以及混和法三种。 * 第四章???约束问题的最优化方法 §4.1 引言 　　 §4.2 内点惩罚函数法 　　 §4.3 外点惩罚函数法 　　 §4.4 混合惩罚函数法 §4.5 随机方向搜索法 §4.6 复合形法 §4.7 可行方向法 §4.8 约束优化设计方法小结 §4.1 引 言 约束优化问题数学模型的一般形式为： 直接解法：随机方向搜索法、复合形法、可行方向法 间接解法：内点惩罚函数法、外点惩罚函数法、混合惩罚函数法 约束优化问题的求解方法： §4.1 引 言 直接解法 基本思想 合理选择初始点，确定搜索方向，以迭代公式 x(k+1)= x(k)+α(k)S(k) 在可行域中寻优，经过若干次迭代，收敛至最优点。 收敛条件 边界点的收敛条件应该符合 K-T 条件； 内点的收敛条件为： §4.1 引 言 直接解法 在可行域内进行； 若可行域是凸集，目标函数是定义在凸集上的凸函数，则收敛到全局最优点；否则，结果与初始点有关。 特点： §4.1 引 言 间接解法 基本思想 将有约束优化问题转化为无约束优化问题来解决。 以原目标函数和加权的约束函数共同构成一个新的目标函数Φ( x, r1 ,r2 )，成为无约束优化问题 。通过不断调整加权因子，产生一系列Φ函数的极小点序列 x* (r1(k) , r2(k) ) k= 0,1,2… ，逐渐收敛到原目标函数的约束最优解。 新目标函数： 式中 ——约束问题转换后的新目标函数； r1, r2 ——两个不同的加权参数； ——分别为由约束函数 和 所定义的某种型式的泛函数。 §4.1 引 言 间接解法 例 求约束问题 的最优解。 解： 约束最优解为目标函数等值线与约束条件等值线的切点 构造新目标函数： §4.1 引 言 对新目标函数： 用解析法求其无约束极值，即 ： 最优解： §4.1 引 言 间接解法 新目标函数： 原目标函数 惩罚项 无约束优化问题： §4.1 引 言 间接解法 新目标函数： 无约束优化问题： 求一系列无约束问题的极小点序列： 逐渐收敛到原问题的约束最优解上 §4.2 内点惩罚函数法 内点惩罚函数法（障碍函数法）： 惩罚函数法 （SUMT法）又称序列无约束极小化技术 （Sequential Unconstrained Minimization Technique） 内点法将新目标函数 Φ( x, r ) 构筑在可行域 D 内，随着惩罚因子 r(k) 的不断递减，生成一系列新目标函数 Φ(xk ,r(k))，在可行域内逐步迭代，产生的极值点 xk*(r(k)) 序列从可行域内部趋向原目标函数的约束最优点 x* 。 §4.2 内点惩罚函数法 例 求解约束问题 解法1： 约束最优解为 在可行区域内构造一个新目标函数 对新目标函数求一阶导数，并令其为零，可求得其极值点的表达式为： 惩罚函数值为 惩罚因子 给定不同的值时，惩罚函数 相应的等值曲线 §4.2 内点惩罚函数法 惩罚函数的形式 惩罚因子 降低系数 惩罚项总0 §4.2 内点惩罚函数法 步骤 选取合适的初始点 x (0) ，以及 r(0)、c、计算精度 ε1