[数学]第二章优化设计基础.ppt

第二章 优化设计的数学基础 第五节 等式约束优化问题的极值条件 n元函数（l个等式约束条件）： 拉格朗日乘子法 极值必要条件 第二章 优化设计的数学基础 第五节 等式约束优化问题的极值条件 例： 第二章 优化设计的数学基础 第六节 不等式约束优化问题的极值条件 求解不等式约束优化问题的基本思想： ——将不等式约束条件变成等式约束条件。 具体做法： ——引入松弛变量。 松弛变量 第二章 优化设计的数学基础 第六节 不等式约束优化问题的极值条件 一元函数f(x)在给定区间[a,b]上的极值优化问题 ： 拉格朗日函数： 第二章 优化设计的数学基础 第六节 不等式约束优化问题的极值条件 拉格朗日函数： 极值条件 一元函数 第二章 优化设计的数学基础 第六节 不等式约束优化问题的极值条件 多元函数不等式优化问题模型： 极值条件 库恩—塔克条件 * * * * * * * * * 工程优化设计Mechanical optimization design 主讲：李熹平 教材：工程优化设计与MATLAB实现 清华大学出版社 联系方式：632097 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 一个多元函数可用偏导数的概念来研究函数沿各坐标方向的变化率。 二元函数的偏导数： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 方向导数： θ2 θ1 o 偏导数与方向导数之间的数量关系： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 多元函数的方向导数： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 例： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 梯度： 方向导数与梯度的关系： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 梯度： 梯度的性质： 1）梯度是一个向量； 2）梯度方向是方向导数最大的方向，即函数值变化最快（函数值变化率最大）的方向 ； 3）梯度方向是等值面（线）的法线方向 。 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 多元函数的梯度： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 例题： 解： 函数变化率最大的方向就是 梯度方向，用单位向量 表 示，函数变化率最大的数值就 是梯度的模 。 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 一元函数 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 二元函数： 二元函数泰勒展开式的矩阵形式： 对称矩阵 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 多元函数泰勒展开式的矩阵形式： 是函数在该点的梯度 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 多元函数的海赛矩阵： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 正定矩阵： 第二章 优化设计的数学基础 矩阵正定与负定的判定： 正定：矩阵A正定的条件是A的各阶主子式大于零； 负定：矩阵A负定的条件是各阶主子式负、正相间。 第二节 多元函数的泰勒展开 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 必要条件 充分条件 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 例： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 当极值点x*能使f（x*）在整个可行域中为最小值（最大值）时，即在整个可行域中对任一 x都有f（x）≥f（x*）（或者f（x）≤f（x*） ）时，则x* 就是全局极小点（全局极大点）。 全局极值点（最优点）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 若f（x*）为局部可行域中的极小值（极大值）而不是整个可行域中的最小值（或最大值）时，则称x*为局部极小点（局部极大点）。 局部极值点（相对极值点）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 一个下凸的函数，它的极值点只有一个，并且该点既是局部极值点也是全局极值点，我们就称这个函数具有凸性。 函数的凸性（单峰性）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 设R是一个点集（或区域），若连接其中任意两点x1和x2的直线都属于R，则称这种集合R是一个凸集。 凸集： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 凸集的性质