第2章-优化设计的数学基础.pptVIP

2.1 二次型与正定矩阵 本章结束 　　约束优化问题的极值点可能出现两种情况： 　　一种是如图2-7(a)所示，即目标函数的极值点X * 处于可行域 D之内，故目标函数的极值点X *即为该约束优化问题的极值点； 　　另一种如图2-7(b)所示，即某约束边界 g i (X) = 0 将目标函数的自然极值点隔到可行域 D之外，因此这时约束优化问题的极值点不是目标函数的自然极值点，而是该约束边界g i (X) = 0 与目标函数等值线的切点X *。 图2-7 约束优化问题极值点 (a)极值点在可行域内 (b)极值点在可行域的边界上 　由高等数学可知，对于等式约束优化问题　　　　　　　　 　　可建立如下拉格朗日函数　　　　　　 　　　　　　　　　　　　　　　　 　 　 1. 等式约束的极值条件 (2-21) (2-22) 式中， 为拉格朗日乘子向量。令 ，得 (2-23) 　　式(2-23)就是等式约束问题在点 X * 取得极值的必要条件。 　　式(2-23)的几何意义可以解释为：在等式约束的极值点上，目标函数的负梯度等于诸约束函数梯度的线性组合。 　　如图2-8所示，在两个等式约束的交线 E上的点X *，约束函数的梯度与目标函数的梯度共面，因此式(2-23)成立，故X *就是极值点。 图2-8　等式约束问题的极值条件 对于不等式约束优化问题　　　　　　　　 　　引入 m个松弛变量　　　　　　　　　，可将上面的不等式约束优化问题变成等式约束问题 2. 不等式约束的极值条件 (2-24) (2-25) 建立这一问题的拉格朗日函数 式中， 为松弛变量组成的向量。 　 则有 (2-26) 式中，当 时有 和 ，这说明点 X 在约束边界上， 为点 X 的起作用约束。 　　注意到约束条件为 “≤０” 的形式，可知约束函数的梯度方向指向可行域外，为满足 ，　 必须大于零；而当 时，有 和 ，这说明点 X 在可行域内。 ， 令该拉格朗日函数的梯度等于零，即使 　　设 　　为点 X * 的 n 个起作用约束，且 X * 是极值点，则由式(2-26)及其分析可知，必有 （2-27） 　　式(2-27)就是不等式约束优化问题的极值条件，称Kuhn-Tucker条件，简称 K-T条件。 　　该条件表明，若设计点 X *是函数 f (X)的极值点，要么 （ 如图2-9所示，此时 ），要么目标函数的负梯度位于诸起作用约束梯度所构成的夹角或锥体之内。 　　也就是说，目标函数的负梯度　　　　等于诸起作用约束梯度 的 非负线性组合（如图2-10所示，此时 ）。 图2-9　极值点处目标函数 图2-10　极值点处目标函数 的梯度为零 的梯度不为零 　　应该指出，K-T 条件是多元函数取得约束极值的必要条件，既可以用来作为约束极值点的判别条件，又可以用来直接求解比较简单的约束优化问题。 　　但 K-T条件不是多元函数取得约束极值的充分条件。只有当目标函数 f (X)是凸函数，而全部约束函数 也是凸函数（或 　为凹函数），即为凸规划时，K-T条件才是极值存在的充分必要条件。 　　下面通过一个实例来说明 K-T条件的应用。 　　例2-5 试用 K-T条件判定点X * = [1, 0]T是否为如下优化问题的极值点。 　解：(1)画出该优化问题的目标函数等值线和可行域图 　　根据该优化问题给出的目标函数和约束条件，表示该问题的可行域 D 和目标函数 f (X)的一些等值线图如图2-11所示。 * 第2章 优化设计的 数学基础 Ⅱ Math Foundation of Optimal Design 第2章 优化设计的数学基础 内容简介 　　优