[高等教育]电子讲义2.docVIP

3.6 约束非线性规划 工程结构的优化问题常常属于有约束非线性规划问题，即其中目标函数或约束条件为设计变量的非线性函数。 关于有约束非线性最优化问题的求解，方法很多且各有所长，但还没有一个高效、通用的方法。 这些方法归纳起来，大致可分为四类： 第一类是将有约束问题转化成一个或一系列无约束问题来求解的方法，例如拉格朗日乘子法，罚函数法。 第二类是直接处理约束的方法，例如可行方向法、最速下降法、梯度投影法等，这类方法需要求函数的导数。 第三类是用线性规划法（或二次规划法）来逐次逼近原问题的方法，如割平面法、序列线性规划法、序列二次规划法等；上述三类方法共同性的缺点是常常收敛到局部最优解，而非全局最优解。 第四类是直接搜索的方法，如网格法、单纯形法、复形法、遗传算法等，这类方法不需要求函数的导数，当搜索空间大时，计算量的迅速增加常使这类算法失效。 下面在每类方法中选择有代表性的方法作介绍。 1、拉格朗日乘子法与库恩－塔克条件 拉格朗日乘子法是通过引进一个待定系数（乘子），构成一个新的无约束条件的目标函数，转化成无约束优化问题来求解。对于等式约束问题，该方法比较有效，特别地，该方法揭示了条件极值的基本特性，这些特性成为研究有约束问题的理论和方法的出发点。 设问题： 求 使目标函数 满足 (2-90) 只有等式约束 定义Lagranger函数 (2-91) 式中为Lagranger乘子，是与X无关的非负数，的极值点存在的必要条件为： ，即 (2-92) ，即 (2-93) ， 2) 只有不等式约束 先将不等式约束加上松弛变量成为等式约束，如 (2-94) 再构成Lagranger函数 (2-95) 其极值的必要条件为： ，即 (2-96) ，即 (2-97) ，即 (2-98) ，， 从（2-98）知与中至少有一个为零。 讨论：从这三个式子可以得到结论 ，即 (2-96) ，即 (2-97) ，即 (2-98) 若，由式（2-98）知，由式（2-97）知，説明极值点不在该约束上，即该约束在求解极值时没有起到约束作用，我们称之为松约束。 若，即由式（2-97）知，説明极值点在该约束界面上，我们称之为有效约束或紧约束 除非式（2-97）至（2-98）是一个线性方程组，可以求得该方程组的解外，一般很难根据该极值条件求得极值点的值。 3) 库恩－塔克条件 设在最优点处个约束条件中，有个约束是紧约束，不妨将这个约束排在前面，即 ，………， ，…………， ，…………， 此时Lagranger函数取极值的必要条件为： （2-99） ，（） （2-100） ，（） （2-101） 这就是局部最优性条件，也称为库恩－塔克条件（简称K-T条件），将式（2-99）改写成： （2-102） 式（2-102）表示了K-T条件，可以叙述为：在局部最优点目标函数的负梯度，应为所有有效约束梯度向量的线性组合，或者説，在最优点目标函数的梯度矢量的延长线落在该点主动约束所张的锥体内。 为了方便K-T条件的几何意义，假设所研究的问题属于二维空间问题，在所承受的约束之中，和是有效约束，则K-T条件的几何表示见图2-14。 图2-14 K-T取得局部条件极值的必要和充分条件。对于凸规划问题（可行域为凸集，且目标函数在可行域内为凸函数）的局部最优点就是其全局最优点。 2、罚函数法 罚函数法是将有约束最优问题先转化为无约束最优问题，再用无约束最优化方法去解。 例如对一个一般的非线性问题： 求 使 (2-103) 满足 ， (2-104) (2-105) 定义一个罚函数 ，=+ （2-106） 问题就成为无约束问题，求序列、、···的最优解、、···。 已有证明，当 ，则= （2-107） 函数称为罚函数。而函数的选择原则，应随值的序列完成极小化后，其解强迫收敛于原约束问题的解。 在目标函数和罚函数之间起着加权的作用，成为惩罚系数。，函数曲面相应地叫灵敏面。 罚函数的选择就形成两种方法：（1）外点法（2）内点法。 1）外点法（外罚函数） 所谓外点法，是由可行区的外部（非可行区）一点，随着惩罚系数···序列完成函数的极小化，而得原约束问题的解。 该法的优点，迭代可从非可行区开始；其缺点是中途不能停止搜索。由于外点法形式简单，易执行，故多被采用。 根据原约束可定义外罚函数（惩罚函数）如下形式 ，=+ (2-108) 其中：右边第一项为原函数的目标函数，第二项为惩罚项；为惩罚系数；r为非负常数。一般取r＝2。 惩罚项的意义： 当约束不满足时()，值越大，值越大，既是一种惩罚； 当约束满足时()，不管值多大，值与F值相等，因而不受惩罚。 外点法的求解过程： 选一初始点（在非可