第5章_无约束优化方法.ppt

第四章 无约束优化方法 §4-1 最速下降法（梯度法） §4-2 牛顿类方法 §4-3 共轭方向法 §4-4 变尺度法 §4-5 坐标轮换法 §4-6 鲍威尔方法 §4-7 其它方法 第1章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。 4-1 梯度法（最速下降法） 根据一元函数极值的必要条件和多元复合函数求导公式，得 梯度法的特点 （1）理论明确，程序简单，对初始点要求不严格。 （2）对一般函数而言，梯度法的收敛速度并不快，因为最速下降方向仅仅是指某点的一个局部性质。 （3）梯度法相邻两次搜索方向的正交性，决定了迭代全过程的搜索路线呈锯齿状，在远离极小点时逼近速度较快，而在接近极小点时逼近速度较慢。 （4）梯度法的收敛速度与目标函数的性质密切相关。对于等值线(面)为同心圆（球）的目标函数，一次搜索即可达到极小点。 4-2 牛顿法及其改进 方法特点 （1） 尽管每次迭代都不会是函数值上升，但不能保证每次下降 ； （2） 若迭代点的海赛矩阵为奇异，则无法求逆矩阵，不能构造牛顿法方向； ??（3）?不仅要计算梯度，还要求海赛矩阵及其逆矩阵，计算量和存储量大。此外，对于二阶不可微的F(X)也不适用。 虽然阻尼牛顿法有上述缺点，但在特定条件下它具有收敛最快的优点，并为其他的算法提供了思路和理论依据。 4-3 共轭方向法 如果能够选定这样的搜索方向，那么对于二元二次函数只需顺次进行d0、d1两次直线搜索就可以求到极小点x* ，即有 3.共轭梯度法 共轭梯度法是共轭方向法中的一种，该方法中每一个共轭向量都是依赖于迭代点处的负梯度而构造出来。 则： 4-4 变尺度法 构造尺度矩阵Ak 从初始矩阵A0=I(单位矩阵)开始，通过对公式 2）BFGS算法(Broyden-Fletcher-Gold frob-Shanno ) DFP算法由于舍入误差和一维搜索不精确，有可能导致构造矩阵的正定性遭到破坏，以至算法不稳定。BFGS算法对于维数较高问题具有更好的稳定性。 例4-5 用DFP算法求下列问题的极值： 沿d0方向进行一维搜索，得 4-5 坐标轮换法 4-6 鲍威尔方法 鲍威尔法是直接利用函数值来构造共轭方向的一种共轭方向法，是一种十分有效的算法。1964年，鲍维尔提出这种算法，其基本思想是直接利用迭代点的目标函数值来构造共轭方向，然后从任一初始点开始，逐次沿共轭方向作一维搜索求极小点。并在以后的实践中进行了改进。 根据梯度和等值面相垂直的性质, dj和 xk, xk+1两点处的梯度gk,gk+1之间存在关系: 2.基本算法 二维情况描述鲍威尔的基本算法: 把二维情况的基本算法扩展到n维，则鲍威尔基本算法 的要点是： 在每一轮迭代中总有一个始点（第一轮的始点是任选的 初始点）和n个线性独立的搜索方向。从始点出发顺次沿n个 方向作一维搜索得一终点，由始点和终点决定了一个新的搜 索方向。 用这个方向替换原来n个方向中的一个，于是形成新的 搜索方向组。替换的原则是 1、去掉原方向组的第一个方向而将新方向排在原方向 的最后。 2、从这一轮的搜索终点出发沿新的搜索方向作一维搜 索而得到的极小点，作为下一轮迭代的始点。这样就形成算 法的循环。 因为这种方法在迭代中逐次生成共轭方向，而共轭方向 是较好的搜索方向，所以鲍威尔法又称作方向加速法。 因为在迭代中的n个搜索方向有时会变成线性相关而不能形成共轭方向。这时组不成n维空间，可能求不到极小点，所以上述基本算法有待改进。 为此，要解决两个关键问题： （1）dk＋1是否较好？是否应该进入新的方向组？即方向组是否进行更新？ 其中最大者记作 这样重复迭代的结果，后面加进去的向量都彼此对G共轭，经n轮迭代即可得到一个由n个共轭方向所组成的方向组。对于二次函次，最多n次就可找到极小点，而对一般函数，往往要超过n次才能找到极小点（这里“n”表示设计空间的维数）。 例4-6 用改进的鲍威尔法求目标函数 例4-7 用改进的鲍威尔法求目标函数 （2）第2轮迭代计算 反射点及