[自然科学]约束非线性规划.pptVIP

第八讲 约束非线性规划 约束极值及最优性条件 等式约束 不等式约束 一般约束问题 约束极值问题的算法 外点法 内点法 乘子法 2 约束极值及最优性条件——Kuhn-Tucker 条件 几何意义：考虑一个约束的情况： 外点法框图 内点法框图 6. 乘子法 Matlab求解约束非线性规划 （4）应注意的问题 例: （7）一般模型的外点法 算法步骤相同 (8)算法收敛性 5、内点法（障碍函数法） （1）集合结构 （2）算法思想 内点法（障碍函数法）的迭代点是在可行域点集内部移动的，对接近可行域边界上的点施加越来越大的惩罚，对可行域边界上的点施加无限大的惩罚，这好比边界是一道障碍物，阻碍迭代点穿越边界。 内点法要求可行点集的内点集合非空，否则算法无法运行。这样一来内点法只对不等式约束的优化问题才可能有效。 （3）算法分析 （4）算法步骤（内点法）： yes No 例 解 （5）算法收敛性： （6）罚函数法的缺点 (7)内、外点法的优缺点的比较 1. x(0)∈S 0 2.等式约束不适用 3.障碍函数B(x) 在S 0的可微阶数与gi(x)相同(可选用的无约束最优化方法广) 4.迭代中x（k）∈R （随时可取x（k）≈x*） 5.非凸规划适用 1.任意x(0)∈Rn 2.等式约束适用 3.惩罚项的二阶偏导在S的边界上不存在 4. 5.非凸规划适用 内点法 外点法 迭代中x（k） R ? 乘子罚函数: 乘子罚函数与Langrange函数及惩罚函数的区别：多一项。 (1)等式约束 乘子罚函数: (2)等式、不等式约束 * 1、约束极值问题的表示 一 、约束极值问题的最优性条件 （1）等式约束性问题的最优性条件 考虑 min f(x) s.t. h(x)=0 回顾高等数学中所学的条件极值： 问题 求 z = f(x,y)极值，在ф(x,y)=0的条件下。 即： min f(x,y) s.t. ф(x,y)=0 引入Lagrange乘子：λ Lagrange函数 L(x,y;λ)= f(x,y)+ λ ф(x,y) 若x*是其的最优解 , 则存在υ*∈ Rl 使 x 最优性条件即： (2)不等式约束极值问题的最优性条件 可行方向: ①可行方向与积极约束: 积极约束: 例: 或 起作用约束（紧约束\积极约束\有效约束）。 ②如何判断一个方向是可行方向? 证明: 定理1: 可行下降方向: 定理2: 定理3: 证略 ③极值点的必要条件: 定理4(K-T条件): 例: 求约束极值问题 定理5(Fritz John条件): 定理 (K-T条件): （一）惩罚函数法（SUMT） 二、约束极值问题的算法 将有约束优化问题转化为一系列无约束优化问题进行求解。（Sequential Unconstrained Minimization Technique - SUMT） 1、算法思想： 2、算法类型： 外点法（外惩法） 内点法（内惩法） 3、问题： 4、外点法（外部惩罚函数法） （1）几何解释 （3）算法步骤（外点法）： yes No