第二讲 数学基础1.pptVIP

优化问题的分类 五、优化问题的几何解释 §1-4 优化设计问题的基本解法 以上准则都在一定程度上反映了达到极值点的特点，但不能保证是全局最优点。 第二章 优化设计的数学基础 第二章 优化设计的数学基础 第一节 多元函数的方向导数与梯度 第二节 多元函数的泰勒展开 小结： 方向导数的概念 * * 四. 优化问题的数学模型 实际问题的数学抽象 一般的数学形式： 求设计变量 使 且满足约束条件 利用可行域的概念，简化数学模型 设同时满足 优化问题的数学模型： 求 设计变量 使 今后的优化问题 的设计集合点为R 1）有无约束 无约束优化问题 约束优化问题 2）约束函数与目标函数 是否同时为线性函数 线性规划问题 非线性规划问题 4）问题的规模 大型优化 中型优化 小型优化 50 10 =10~50 3）目标函数的个数 单目标函数优化 多目标函数优化 等式约束优化问题 不等式约束优化问题 表1 常用优化设计的可选优化目标 力的参数（主动力、约束反力、力矩等），质量参数（质量、转动惯量等）、能量、功率、惯性力、重力、不平衡量等 动力学优化设计 运动学优化设计 结构件的质量最小；边界上的最大应力最小；应力集中系数最小等； 结构参数优化设计和形状优化设计 质量、体积、效率（或功耗）、温升、可靠性、承载力（强度、刚度、耐磨性等）、寿命、成本（或价格）等 产品及机械零部件优化设计 运动误差（如轨道曲线误差、位置角误差等），某点的速度、角速度、加速度等 机构优化设计 可供选择的优化目标 项目 人字架的优化设计 平面四杆机构的优化设计 在没有限制的条件下，对设计变量 求目标函数的极小点。 无约束优化 在设计空间内，目标函数是以等值面的形式反映出来的， 约束优化 极小点 是在可行域内对设计变量求目标函数的极小点，此极小点在可行域内或在可行域边界上。 线性划问题 非线性规划问题 极值点 不起作用约束 极值点处于多角形的某一顶点上 极值点 等值线 极值点处于等值线的中心 起作用约束 起作用约束 极值点处于约束曲线与等值线 的切点上 极值点处于约束曲线与等值线 的切点上 两个约束都是起作用约束 极值点处于两个约束曲线的交点上 解析解法 求解优化问题： 数值的近似解法 数值解法： 试验数据 近似函数式 插值、拟合 求最优解 求复杂函数的优化解 数学模型复杂时不便求解 在数值迭代中，有两种迭代方法: 对角矩阵 初始点 改进点 搜索方向 步长 图1-11 寻求极值点的搜索过程 算法的核心 收敛性 迭代过程的终止条件（终止准则） 是指某种迭代程序产生的序列 极值 1）当相邻两个设计点的距离充分小时，用向量模计算长度，则 迭代过程的终止条件（终止准则） 收敛的充要条件： 对于 迭代过程的终止条件（终止准则） 3）当某次迭代点的目标函数梯度已达充分小时。 2）当函数值的下降量已达充分小时。 很可能是局部最优点 判断全局最优点的常用方法： 同时取若干个相距甚远的初始点，考察它们最后迭代的最优解是否趋于同一解。 主要内容： 1）无约束优化问题的极值条件 2）等式约束优化问题的极值条件 3）不等式约束优化问题的极值条件 方向导数与梯度 凸集、凸函数与凸规划 （重点） （难点） 一. 方向导数 函数 f(x) 在某点处沿某一方向的变化率 二元函数 方向导数的定义式 对于三元函数 对于n 元函数 二、梯度 以二元函数 为例， 方向单位向量 梯度的模 梯度方向是函数值变化最快的方向 梯度的模是函数变化率的最大值 梯度方向是等值面的法线方向 二、梯度 推广到 多元函数 在 二元函数 在 处的梯度 处的梯度 一元函数的泰勒展开 在 将上述式子写成矩阵形式 海赛（Hessian) 矩阵 G(x) 二次型函数 当对任何非零向量 x 使 则二次型函数正定。 正定矩阵 第三节 无约束优化问题的极值条件 指目标函数取得极小值时，极值点所应该满足的条件。 极值条件 对于可微的一元函数 取极值的必要条件： 极值点 拐点 极小点 极大点 无法定 结论： 开始不为零的导数阶数若为偶数，则为极值点； 若为奇数，则为拐点。