机械优化设计-Read.PPT

机械优化设计 1.1.1 优化设计的基本思想 1.1.2 机械优化设计的发展概况 1.2 优化设计问题举例 第二章 优化设计的数学模型 2.1 优化设计的数学模型（Mathematical Model） 2.1.1 数学模型的一般形式 2.1.2 设计变量（Decision variable）与设计空间(Space ) 2.1.3 约束条件(Constraints)与可行域 (feasible set） 2.1.4 目标函数（Objective function）及等值线（Isoline） 2.2 优化设计的几何描述 第三章 优化设计问题的若干理论基础3.1 函数的梯度 (Gradient) 3.1.1 函数的方向导数 (Direction derivative) 3.1.2 函数的梯度 3.2 多元函数的泰勒展开（Taylor）与海色矩阵（Hessian） 3.3 二次型函数与正定二元二次函数 3.3.1 二次型函数 3.3.2 正定二元二次函数的性质 3.4 无约束优化问题的极值条件 3.4.1 一元函数的极值条件 3.4.3 n元函数的极值条件 3.5 凸函数与凸规划 3.5.1 凸集 3.5.2 凸函数的判别条件 3.5.3 凸规划 3.6 约束优化问题的极值条件 3.6.1问题的提出 3.6.2 拉格朗日乘子法（Lagrange）—等式约束的极值条件 3.6.3 Kuhn-Tucker条件 --- 不等式约束的极值条件 3.7 下降迭代算法与终止准则 3.7.1 下降迭代法的基本迭代格式 3.7.2 下降迭代法的收敛性与终止准则 第四章 一维搜索的最优化方法 4.1 搜索区间的确定 4.2 黄金分割法 4.2.1 消去法原理 4.2.2 0.618法原理 4.2.3 0.618法原理程序框图 4.3 Fibonacci法 4.4 牛顿法(Newton ) 4.5 二次插值法(Quadratic interpolation method) 4.5.1 二次插值法原理 4.5.2 二次插值法程序框图 4.6 一维优化方法的选用 只要把二元函数加以推广，就可以得出n元函数极小值存在的充分必要条件 必要条件 （3.14） 充分条件 正定 (3.15) 例3-3 求函数 的极值点和极值。 解 先令函数的一阶偏导都为零，求出驻点 联立求解上面三个方程得 驻点 再求二阶偏导得到Hessian矩阵，用该矩阵来判断驻点是极大还是极小点， 各阶顺序主子式 均大于零，因此Hessian矩阵是正定的。由此可知，驻点 是极小点，带入原函数得极小值为 为了判断某一极值点是否为全局最优点，有必要了解凸函数的概念。 为了研究函数的凸性，首先引入凸集的概念。 设D为n维欧氏空间中一个集合,若其中任意两点 连线上的所有点都属于这个集合，则称该集合D是n维欧氏空间中的一个凸集。图3-5a 是二维空间的一个凸集，图3-5b是非凸集。 图3-5 二元函数的凸集与非凸集 3.5.2 函数的凸性 （convexity） 函数的凸性表现为单峰性。对于具有凸性的函数而言，只存在一个极值点。因此，局部最优点即是全局最优点。 在图3.6a的横坐标上取线段 ，并取线段中任一点 ，则有 （3.16） 于是有： 当 由0变到1，则 描述线段 中的一切点，即线段的全体。 函数 上对于 上的纵坐标为： 线弦上对于 上的纵坐标为： （3.17） 满足3.17式的函数则称为凸函数 凸函数定义：在函数曲线f(X)上任取两点x1x2连成一直线P。该直线上任何一点x3 的纵坐标必大于或等于该点处的原函数值。 （3.18） 满足3.18式的函数则称为凹函数 图 3.6 凸函数的定义 同理可得多元凸函数的定义（注意应在凸集上） 可以从二方面来判断一个函数是否为凸函数。可以由凸函数的定义判断，也可以用Hessian矩阵判断。前者仅有理论意义，