第三章 优化设计某些概念.ppt

第三章 优化设计的某些基本概念和理论 3.1 目标函数与约束函数的某些基本性质 3.1.1函数的等值面(或线) （1）定义：当函数为某一定值时，例如目标函数f(X)=c，则可以有无限多组设计变量x1， x2， …，x n值与之相对应，亦即有无限多个设计点对应着相同的函数值，因此，这些点在设计空间中将组合成一个点集，我们称此点集为等值曲面或等值超曲面(若为二维设计空间则称等值线)。 （2）几何意义： 结论： 1）等值线愈内层其函数值愈小(对于求目标函数极小化来说); 2）在等值线较密的部位其函数值变化率较大； 3）对于有心的等值线来说，其等值线簇的中心就是一个相对极小点； 4）对于无心的等值线簇来说，其相对极小点无疑就是在无穷远了 （3）等值线的性态 在极小点附近等值线都呈现近似椭圆型 3.1.2函数的最速下降方向 （1）方向导数 1）偏导数：函数f(x1,x2)在 X0(x10,x20)点处沿坐标轴x1, x2方向的变化率 2）方向导数：函数f(x1,x2)在X0(x10,x20)点处沿某方向d的变化率 3）方向导数与偏导数的关系 4）对于n元函数在X0点处沿方向d的方向导数 其中的cosθi为d方向和坐标轴xi方向之间夹角的余弦 （2）梯度 有时也记作gradf(X0) 我们还可以把上式记作 实际上是 当cos(▽f,d)=1 时，上式值最大，所以梯度方向是函数值变化最快的方向，而梯度的模就是函数变化率的最大值。 梯度的基本性质： 1）梯度是一个向量 2）是一种局部性质 3）函数在某点的梯度向量与该点的等值线(或等值面)的切线是正交的 例 1 求二元函数 处函数变化率最大的方向和数值。 3.1.3函数的近似表示式 （1）一元函数f(x)在点x＝x0处的泰勒展开式为 （2）二元函数f(x1,x2)在X0(x10,x20)点处的泰勒展开式为 将上述展开式写成矩阵形式，有 （3）推广到多元函数：即f(x1,x2,…xn)在点X0处的泰勒展开式 3.1.4 函数的凸性 （1）凸集 1）定义：设D为n维欧氏空间中设计点的一个集合，若其中任意两点x(1)和x(2)的连线上的点都属于集合D，则称D为n维欧氏空间中的一个凸集。 2）凸函数 定义：设f(x)为定 义在n维欧氏空间中 凸集D上的函数， 若对任何实数ξ(0≤ξ≤1)及D域中任意两点x(1)和x(2)存在如下不等式 则称函数f(x)是定义在凸集D上的一个凸函数 几何意义 凸性条件 1）设f(x)为定义在凸集D上的具有连续一阶导数的函数，则f(x)在 D上为凸函数的充要条件为：对任意的x(1)、x(2) ∈D都有 成立。 2）设f(x)为定义在凸集D上，且存在连续二阶导数，则f(x)为D上的凸函数的充要条件为： f(x)的Hesse矩阵H(x)处处是半正定的。 若Hesse矩阵H(x)对一切X∈D都是正定的，则f(x)是D上的严格凸函数，反之则不然。 例3 证明函数 凸函数的基本性质： 1)若f(x)为凸集 D上的凸函数，则f(x)在D上的一个极小点也就是f(x)在D上的全域最小点； 2)若x(1)和x(2)为凸函数f(x)中的两个最小点，则其连线上的一切点也都是最小点； 3)若函数f1(x)和f2(x)为凸集D上的两个凸函数，则对任意正实数a和b，函数f(x)=af1(x)+bf2(x) 仍为D集上的凸函数。 2）证明：因为，对于凸函数f(X) 当0ξ1时， 因为， x(1)和x(2)是最小值，则f(x(1))=f(x(2)) 所以 所以对于两点间的任何点 都是函数的最小点 3）证明：因为f1(x)和f2(x)凸函数，所以 因为a0,b0 所以 令 补充： 1）前面讲的是下凸函数，称为凸函数，有极小值 2）当函数上凸，称为凹函数，有极大值 3）如果f(x)为严格凸函数，则-f(x)定为严格凹函数。反之亦然。 4）凸函数定义式，只要将该两式的不等号反向，就变成凹函数的相应定义式。凸性条件也是一样，经转换后也可以用来判断是否是凹函数。 3.2约束函数的集合及其性质 3.2.1约束函数的集合 所谓约束函数的集合就是指满足所有约束条件的设计点x(k)的集合，即表示为 D={x|gu(x)≤0,hv(x)=0,u=1,2,…,v=1，2，…，p) 3.2.2适时约束 ——起作用约束 （1）不等式约束： 可行设计点处在该 约束的边界上的为 适时约束 （2）等式约束：在可行域内的都是适时约束 3.3 优化设计问题的最优解及其极值条件 3.3.1 优化设计问题的最优解 （1）如果求得X*使得 则x*为最优点，称f(x*)为