第二章 2.6-无约束优化方法.pdf

2.6 无约束优化方法 2.6 无约束优化方法  前面所列举的机械优化设计问题，都是在 一定的限制条件下追求某一指标为最小，它们 都属于约束优化问题。工程问题大都如此。  为什么要研究无约束优化问题 ??? (1)有些实际问题，其数学模型本身就是一个 无约束优化问题； (2)通过熟悉它的解法可以为研究约束优化问 题打下良好的基础； (3)约束优化问题的求解可以通过一系列无约 束优化方法来达到。所以无约束优化问题的 解法是优化设计方法的基本组成部分，也是 优化方法的基础。  无约束优化问题是： T  求n维设计变量 x [x1 x 2  x ] n  使目标函数： f (x ) min  min f (x ) x R n 各种无约束优化解法的区别：搜索方向的不同 ◆ 分类： （1）直接解法不使用导数信息，如坐标轮换 法、Powell法、随机搜索法、单纯形法等 （2 ）间接解法(解析法)要使用导数，二阶有 梯度法、共轭梯度法，二阶以上用牛顿法 x k 1 x k d k (k 0,1,2,) k 搜索方向的构成问题是无约束优化方法的关键 无约束优化方法算法的基本过程是: 无约束优化方法算法的基本过程是:  从选定的某初始点x(k)出发，沿着以一定 规律产生的搜索方向S(k) ,取适当的步长a(k) , 逐次搜寻函数值下降的新迭代点x(k+1),使之逐 步通近最优点x* 。  可以把初始点x(k) 、搜索方向S(k) 、迭代 步长a(k) 称为优化方法算法的三要素。其中以 搜索方向S(k)更为突出和重要，它从根本上决 定若一个算法的成败、收敛速率的快慢等。  一个算法的搜索方向成为该优化方法的基 本标志，分析、确定搜索方向S(k)是研究优化 方法的最根本的任务之一。 2.6.1 梯度法 2.6.1 梯度法 函数的负梯度方向是函数值下降最快的方向 搜索方向d取该点的负梯度方向f (x )(最速下降方 向) ，使函数值在该点附近的范围内下降最快 x k 1 x k d k (k 0,1,2,) k x k 1 x k a f (x k ) (k 0,1,2,) k 为了使目标函数值沿搜索方向f (x k )能够获得最大  的下降值，其步长因子 应取一维搜索的最佳步长 k 即有 f (x k 1 ) f [x k a f (x k )] min f [x k a f (x k )] k a min ( ) 