机械优化设计方法第六节 约束最优化方法.pptVIP

第六章 约束最优化方法 6-1 概 述 约束最优化问题是：求n维设计变量X=[x1, x2,…, xn]T，受约束于gu(X)≥0(u=1,2,…,m)，hv(X)=0(v=1,2,…,pn)，使目标函数为min f(X)= f(X*)，则称X*为最优点，f(X*)为最优值。 机械优化设计问题和一般工程实际优化问题绝大多数属于约束非线性规划问题。 约束最优化问题的解法很多，归纳起来可分为两大类。 一类是直接方法，即直接用原来的目标函数限定在可行域内进行搜索，且在搜索过程中一步一步地降低目标函数值，直到求出在可行域内的一个最优解，属于直接方法的有约束变量轮换法、随机试验法、随机方向搜索法、复合形法、可行方向法等。 另一类是间接方法，即将约束最优化问题，通过变换转成为无约束最优化问题．然后采用无约束最优化方法得出最优解．属于间接方法的有消元法、拉格朗日乘子法、惩罚函数法等。 约束最优化问题算法收效速率的判断比无约束最优化问题困难，约束最优化问题的研究和进展情况远不如无约束优化问题。 6-2 约束随机方向搜索法 一、基本原理 基本原理可用图6-1所示二维最优化问题进行说明。 在约束可行区域D内，任意选择一个初始点X(0)，以给定的初始步长α=α0沿着随机方向S(1)取得探索点X=X(0)+αS(1) 若该点同时符合下降性(即f(X) f(X(0))和可行性(即X∈D)要求，则表示X点探索成功。 并以它作为新的起始点，即X→X(0)，继续按上面的迭代公式在S(1)方向上获取新的探索成功点。 重复上述步骤，迭代点可沿S(1)方向前进，直至到达某搜索点不能同时符合下降性和可行性要求时停止。 此时废弃该搜索点并退回到前一个搜索成功点作为S(1)方向搜索中的最终成功点，记作X(1)。 此后，将X(1)点置为新的始点X(1)→X(0)，再产生另一随机方向S(2)，以步长α重复以上过程，得到沿S(2)方向的最终成功点X(2)。 经若干循环，点列{ X(k)( k=1,2,…) }必最后逼近约束最优点X*。 若在初始点X(0)或某个换向转折点处(如图中的X(1)点)，沿某随机方向的探索点目标函数值增大(如图中的A点、C点)或者越出可行域(如图中的B点、D点),则应相应弃去该随机方向,重新产生另一随机方向进行探索。探索成功继续前进,探索失败再重新产生随机方向。 当在某个转折点处(如图中的X(2)点)，沿Nmax (预先限定在某个转折点处产生随机方向所允许的最大数目)个随机方向以步长α进行探索均失败，可以反映以此点为中心、α为半径的圆周上各点均难同时符合下降性和可行性条件。 此时可将步长α缩半后继续试探，直到α已缩减到预定精度ε以下(即α≤ε)，且沿Nmax个随机方向都探索失败时，则以最后一个成功点(如图中的X(3)点)作为达到预定精度要求的约束最优点，结束迭代。Nmax一般可在50~500范围内选取，对目标函数性态不好的应取较大的值，以提高解题成功率。 二、初始点的选择 随机方向搜索法的初始点X(0)必须是一个可行点，即必须满足全部约束条件 gu(X)≥0(u=1,2,…,m) 通常有两种方法： (一) 人为给定：即在设计的可行区域D内人为地确定一个可行的初始点。 (二) 随机选定：即利用电子计算机产生的伪随机数来选择一个可行的初始点X(0)。 此时需要送入设计变量估计的上限和下限，以图6-2所示二维情况为例，X=[x1,x2]T，a1≤x1≤b1，a2≤x2≤b2。 在[0，1]区间内产生两个随机数r1和r2，0 r11，0 r21， 以x1(0)= a1+ r1(b1―a1), x2(0)= a2+ r2(b2―a2)作分量获得随机初始点X=[x1(0), x2(0)]T。 同理，若对n维变量估计其上限和下限： ai≤xi≤bi (i=1,2,…,n) (6-1) 在[0，1]区间内产生n个随机数ri，0＜ri＜1(i=1,2,…,n)这样随机产生的初始点X(0)的各分量为 xi(0)= ai+ ri(bi―ai) (i=1,2,…,n) (6-2) ri—[0,1]区间内服从均匀分布的伪随机数列。许多计算机本身就有发生随机数的功能，可直接调用。 需要指出，这样产生的初始点X(0)=[x1(0), x2(0),…, xn(0)]T虽能满足设计变量的边界条件，但不一定能满足所有约束条件(如点)。 因此这样产生的初始点还须经过可行性条件的检验，如能满足，才可作为一个可行的初始点。否则，应重新随机选初始点，直到满足所有的约束条件。 三、随机搜索方向的产生 以图6-3所示二