第4章_非线性规划4.5.ppt

§4.5　 罚函数法 求解约束最优化问题， 一种途径是在可行域内 寻找使目标函数值下降的迭代点列， 称为可行方向 法。 但这类方法对带线性约束的最优化问题求解效 果较好， 而对带非线性约束最优化问题的求解效果 却不甚理想。 本节介绍求解约束最优化问题的另一 途径， 即利用问题中的约束函数和目标函数构造出 新的目标函数——惩罚函数， 把问题的求解转化为求 解一系列无约束非线性规划问题。 这类方法称为序列 无约束最小化技术 （Sequential unconstrained minimiz- -ation technique）,简记为SUMT法， 惩罚函数 罚函数 障碍函数 罚函数法(外点法) 障碍函数法(外点法 ) 产生的点列从非可行区域 收敛到约束问题边界的解 产生的点列则是从可行区域内部 收敛到约束问题边界的解 惩罚函数 罚函数 障碍函数 罚函数法(外点法) 考虑非线性规划问题 （4.5.1） 将带约束的非线性规划问题转化为无约束极小 化问题求解的思路是： 设法适当加大不可行点处对 应的目标函数值， 使不可行的点不能成为相应无约 束极小化问题的最优解。 例如， 可以选定一个很大 的数， 将原目标函数f(X)扩展成一个新的函数—— 罚函数： (4.5.2) 这里M是一个很大的函数，称为罚因子或罚函数。 若问题（4.5.1）只含等式约束， 则在可行点处， P的值与f的值相同， 而在不可行的点处， 对应的 P的 值很大， 故无约束极小化问题 的最优解必是（4.5.1）的最优解。 罚因子M的引入相 当于对不满足等式约束的一种惩罚。 M越大， 对 的惩罚也越大， 称 为惩 罚项。 在实际计算时， 选取合适的M并不简单， 但考 虑到 P(X,M)的最优点与 M有关。 记最优点为 在进行迭代计算时， 每迭代一次， 就 选择一个罚因子， 我们用 表示第 k 步迭代时 所选取的罚因子， 而 表示第 k 步迭代所得无 约束极值问题 的最优解。 显然， 罚因子越取越大 若问题(4.5.1)中不仅含有等式约束， 还含有不 等式约束 则可同样处理， 在P(X,M)中加上 即转化为 无约束非线性规划问题， 在搜索极小点的过程中， 点列 从可行域D的外部收敛到原问题(4.5.1)的 最优解， 而罚因子 满足 若记 称它为阶跃函数， 则罚函数可改为 (4.5.3) 若在式(4.5.1)中， 不等式约束为 则可改 为 罚函数法的经济解释： 把目标函数 f(X) 看成某种产品的成本，把约束条件看作是对产品质量方面的规定，企业可在质量规定的范围内通过各种方法降低产品的成本，对不符合质量规定的产品予以处罚，而对符合质量规定的产品不予以惩罚。此时，企业追求的总目标应当是产品成本和产品处罚的总和最小，当处罚规定很苛刻时，违反产品质量规定的处罚也就越高，这样就迫使企业符合规定。这在数学上表现为，当罚因子 足够大时，上述无约束问题的最优解应满足约束条件，从而成为带约束的最优化问题的最优解。 罚函数法的迭代步骤: Step1: 取 及终止误差 令k:=1; Step2: 求无约束极小化问题的最优解 其中 为（4.5.2）或(4.5.3); Step3: 若对某一个 有 则取 令k:=1,转Step2； 否则， 终止迭 代，得到最优解 例4.5.1 用罚函数法求解 解： 构造罚函数 令 对不满足约束条件的点x，有 得极小点 当 时， 当 时， 当 时， 图4.5.1 当 时， 由图4.5.1知， 当 无限增大时， 从问题(4.5.1) 的可行域外部趋于它的最优解 对于带约束的 最优化问题（4.5.1）， 除非它的最优解 也是f(X) 的无约束问题的最优解。 一般情况下， 的可行域的边界上。 总在（4.5.1） 由罚函数法得到的点列 总 是从可行域外趋于问题（4.5.1）的最优解 因此， 罚函数法也称为外点法。 该方法通过对不可行的点 加以惩罚构造函数， 并使罚函数的最优解随惩罚的 无限增大而趋于原非线性规划问题的最优解。 §4.6 应用LINGO、MATLAB软件 求解非线性规划 §4.6.1 应用LINGO软件求解非线性规划 例4.6.1 求解下列非线性规划问题 编制LINGO程序： min=x1^2-x1*x2+x2^2-10*x1-4*x2+60; x1+x2=8; end 解： 使用SOLVE命令求解如下： Local optimal solution found