第五章非线性规划地概念和原理.docVIP

第五章 非线性规划的概念和原理 非线性规划的理论是在线性规划的基础上发展起来的。1951年，库恩（H.W.Kuhn）和塔克（A.W.Tucker）等人提出了非线性规划的最优性条件，为它的发展奠定了基础。以后随着电子计算机的普遍使用，非线性规划的理论和方法有了很大的发展，其应用的领域也越来越广泛，特别是在军事，经济，管理，生产过程自动化，工程设计和产品优化设计等方面都有着重要的应用。 一般来说，解非线性规划问题要比求解线性规划问题困难得多，而且也不像线性规划那样有统一的数学模型及如单纯形法这一通用解法。非线性规划的各种算法大都有自己特定的适用范围。都有一定的局限性，到目前为止还没有适合于各种非线性规划问题的一般算法。这正是需要人们进一步研究的课题。 5.1 非线性规划的实例及数学模型 [例题6.1] 投资问题： 假定国家的下一个五年计划内用于发展某种工业的总投资为b亿元，可供选择兴建的项目共有几个。已知第j个项目的投资为亿元，可得收益为亿元，问应如何进行投资，才能使盈利率（即单位投资可得到的收益）为最高？ 解：令决策变量为，则应满足条件 同时应满足约束条件 目标函数是要求盈利率最大。 [例题6.2] 厂址选择问题： 设有n个市场，第j个市场位置为，它对某种货物的需要量为。现计划建立m个仓库，第i个仓库的存储容量为。试确定仓库的位置，使各仓库对各市场的运输量与路程乘积之和为最小。 解：设第i个仓库的位置为，第i个仓库到第j个市场的货物供应量为，则第i个仓库到第j个市场的距离为 目标函数为 约束条件为： 每个仓库向各市场提供的货物量之和不能超过它的存储容量； 每个市场从各仓库得到的货物量之和应等于它的需要量； 运输量不能为负数。 因此，问题的数学模型为： s.t. , , , 一般非线性规划的数学模型可表示为： ； s.t. , , 式中是n维向量，，都是的映射（即自变量是n维向量，因变量是实数的函数关系），且其中至少存在一个非线性映射。 与线性规划类似，把满足约束条件的解称为可行解。若记 则称为可行域。因此上述模型可简记为 s.t. 当一个非线性规划问题的自变量X没有任何约束，或说可行域即是整个n维向量空间,即，则称这样的非线性规划问题为无约束问题： 或 有约束问题与无约束问题是非线性规划的两大类问题，它们在处理方法上有明显的不同。 5.2 无约束非线性规划问题 5.2.1无约束极值条件 对于二阶可微的一元函数，如果是局部极小点，则，并且；反之，如果，，则是局部极大点。关于多元函数，也有与此类似的结果，这就是下述的各定理。 考虑无约束极值问题： ， 定理6.1 （必要条件）设是n元可微实函数，如果是以上问题的局部极小解，则。 定理6.2 （充分条件）设是n元二次可微实函数，如果是上述问题的局部最小解，则，半正定；反之，如果在点有，正定，则为严格局部最小解。 定理6.3 设是n元可微凸函数，如果，则是上述问题的最小解。 [例题6.3] 试求二次函数的极小点。 解：由极值存在的必要条件求出稳定点： ， ，则由得， 再用充分条件进行检验： ，，，则由为正定矩阵得 极小点为。 5.2.3无约束极值问题的解法 5.2.3.1梯度法 给定初始点，； 计算和，若，迭代停止，得近似极小点和近似极小值；否则，进行下一步； 做一维搜索或取作为近似最佳步长，并计算，令，转向第二步。 [例题6.4] 求解无约束极值问题 解：取，，则 ， ， ， ， 故为极值点，极小值为。 5.2.3.2牛顿法 对正定二次函数，，其中A为n阶方阵，B为n维列向量，c为常数，设为其极小点，则，所以；任给，，消去B，得 所以 ， 这说明，从任意近似点出发，沿方向搜索，步长为1，一步即可达极小点。 [例题6.5] 求解无约束极值问题 解：任取，，，， 由可知，确实为极小点。 牛顿法与梯度法的搜索方向不同，优点是收敛速度快，但有时不好用而需采取改进措施，当维数较高时，的计算量很大。 5.3 约束非线性规划问题 前面我们介绍了无约束问题的最优化方法，但实际问题中，大多数都是有约束条件的问题。求解带有约束条件的问题比起无约束问题要困难得多，也复杂得多。在每次迭代时，不仅要使目标函数值有所下降，而且要使迭代点都落在可行域内（个别算法除外）。求解带有约束的极值问题常用方法是：将约束问题化为一个或一系列的无约束极值问题；将非线性规划化为近似的线性规划；将复杂问题变为较简单问题等等。 5.3.1凸规划问题 约束问题的情况较为复杂，先讨论其中的一种较为特殊的情况，即凸规划问题。 一般来说，非线性规划的局部最优解和全局最优解是不同的，但是，对凸规划问题，局部最优解就是全局最优解。 定义6.1设为定义在非空凸集上的实值函数，如果对于任意的两点，