第3章_一维优化方法.pptVIP

3.1 搜索区间的确定 3.2 黄金分割法 第一次：a= -3, b=5; a1=0.056, f1=0.115; a2=1.944, f2=7.667。 第二次：a= -3, b=1.944; a1= -1.111, f2= -0.988 ; a2=0.056, f2=0.115。 第三次： a= -3, b=0.056; a1= -1.833, f2= -0.306; a2= -1.111, f2= -0.988。 3.3 二次插值法 y=x4+x2+5p=101x2+5区间[-10,10] 本章结束 * 第3章 一维优化方法 Ⅲ Optimal Design 第3章 一维优化方法 　　一维优化方法是优化方法中最简单、最基本的优化方法。它不仅用来解决一维目标函数的求优问题，而且也常用于多维优化问题在既定方向上寻求最优步长的一维搜索。 本章主要介绍了如下方面内容： 内容简介 ■ 搜索区间的确定 ■ 黄金分割法（0.618法） ■ 二次插值法 　　求解一维目标函数 f (X)最优解的过程，称为一维优化（或一维搜索），所使用的方法称为一维优化方法。 　　一维优化方法，它不仅可用来解决一维目标函数的求优问题，且常用于多维优化问题在既定方向上寻求最优步长的一维搜索。 　　由前数值迭代法可知，求某目标函数的最优值时，迭代过程每一步的格式都是从某一定点　 出发，沿着某一使目标函数下降的规定方向 搜索，以找出此方向的极小点　　 。这一过程是各种最优化方法的一种基本过程。 　　在此过程中因 、 已确定，要使目标函数值为最小，只需找到一个合适的步长　 就可以了。 这也就是说，在任何一次迭代计算过程中，当起步点 和搜索方向 确定之后，就把求多维目标函数极小值这个多维问题，化解为求一个变量（步长因子α）的最优值 的一维问题。 如图3-1 所示。 图3-1 一维搜索示意图 (3-1) 从点X (k)出发，在方向S (k)上的一维搜索可用数学表达式为 　　式(3-1)表示对包含唯一变量α的一元函数 　求极小值，得到最优步长因子　　和方向S (k)上的一维极小点X (k+1) 。 　常用的一维搜索方法主要有： 　　一维搜索方法一般分两步进行： 　　■ 首先在方向 S (k)上确定一个包含函数极小点的初始区间，即确定函数的搜索区间，该区间必须是单峰区间； 　　■ 然后采用缩小区间或插值逼近的方法得到最优步长，即求出该搜索区间内的最优步长α*和一维极小点 X *。 分数法 黄金分割法( 0.618法 ) 二次插值 三次插值法等 本节介绍最常用的黄金分割法和二次插值法。 　　根据函数的变化情况，可将区间分为单峰区间和多峰区间。 　　所谓单峰区间，就是在该区间内的函数变化只有一个峰值，即函数的极小值，如图3-2所示。 即在单峰区间内的极小值点 X* 的左侧： 函数值呈下降趋势， 而在极小值点 X* 的右侧：　　　　　　 函数值呈上升趋势。 也就是说，单峰区间的函数值呈 “高-低-高” 的变化特征。 　　设区间 [α1，α3] 为单峰区间， 　　而α2 为该区间内的一点， 若有　　　α1α2α3　　 或　 　 α1α2α3 成立，则必有 f(α1) f(α2) f(α3) 同时成立。 图3-2　单峰区间 　　目前，在一维优化搜索中，确定单峰区间常用的方法主要是进退试算法。 　进退试算法的基本思想为： 按照一定的规律给出若干试算点，依次比较各试算点的函数值的大小，直到找到相邻三点的函数值按 “高-低-高” 变化的单峰区间为止。 　进退试算法的运算步骤如下： 图3-3 求搜索区间 (2)将α0 及α0+h 代入目标函数 f(X) 进行计算并比较它们的大小。 (1)给定初始点α0和初始步长h ，设搜索区间[a, b]，如图3-3所示。 　　(3)若　　　　　　 ，则表明极小点在试算点的右侧，需做前进试算。 　　在做前进运算时，为加速计算，可将步长 h 增加 2倍，并取计算新点为α0+h+2h =α0+3h。 　　若 　　　　　，则所计算的相邻三点的函数值已具“高-低-高” 特征，这时可确定搜索区间为 否则，将步长再加倍，并重复上述运算。 否则，将步长再加倍，继续后退，重复上述步骤，直到满足单峰区间条件为止。 　　(4)若　　　　　　 ，则表明极小点在试算点的左侧，需做后退试算。在做后退运算时，应将后退的步