§2多变量函数极值问题解法（直接法）.docVIP

§2多变量函数极值问题解法(直接法) 本节讨论求目标函数 在定义区域上的最优解的直接方法(或试验最优化方法)，其中 (表示矢量的转置) 表示自变量组成的列矢量，由于极小和极大只是目标函数相差一符号，因此这里只讨论求维列矢量使得 这时，称为最优解(最优点)。 [单峰函数] 如果函数在所讨论的区域上只有一个极值点(最大点或最小点)，那末称这个函数为多变量单峰函数。 多变量单峰函数也可用分析定义。例如，设函数定义在区域上，由于区域上的任一路线都可用一参数方程 表示，所以函数沿这条路线也可用参数表示为 设 又设 如果 ,当 ,当 那末称函数在区域上从点和点的路线上是单峰的，式中 设 如果对区域上的任一对点和，都存在一条从经过到的路线，在其上函数是单峰的，那末称函数在区域上为单峰的. [因素交替法] 这个方法是轮流按坐标轴方向探索最优点.设为第i个坐标轴的单位矢量，即 并且预先给定允许误差那末，迭代程序如下： (1) 选取初始点. (2) 由初始点出发，先沿第一个坐标轴方向进行优选(用§1的单因素方法)，得到好点，即 式中为实参数.然后以为起点沿第二个坐标轴方向进行优选，得到好点，即 如此等等，一直到个方向全部优选完毕，得到，它满足 (3) 再以为新的初始点，重复步骤(2)。 (4) 以上步骤一直进行到从某一初始点出发，经过个方向搜索后得不到新点，或与前个初始点之间的距离都小于预先给定的允许误差为止。这时即为最优点的近似解。 [平行线法] 如果处理的双因素问题中，有一个因素难于调整，而另一个因素却容易变动，这时用双因素交替法就不太方便，应改用下面的平行线法： 把难于调整的因素放在纵轴上(图18.5)，设其可调范围为[0,]，把容易变动的因素放在横轴上，设其可调范围为[0，].先把因素固定在点处，在过这点而平行于横轴的直线上对因素在[0，]上优选，好点为 = 1 \* GB3 ①；再把固定在点处，在过这点而平行于横轴的直线上对因素在[0，]上优选，好点为 = 2 \* GB3 ②；比较 = 1 \* GB3 ①与 = 2 \* GB3 ②两点的好坏，如果 = 2 \* GB3 ②比 = 1 \* GB3 ①好，就去掉直线的上半部(如果 = 1 \* GB3 ①比 = 2 \* GB3 ②好，就去掉直线的下半部)，然后把因素固定在可调范围的处，在过这点而平行于横轴的直线上对因素在[0，]上优选，好点为 = 3 \* GB3 ③；比较 = 2 \* GB3 ②与 = 3 \* GB3 ③两点的好坏，如果 = 2 \* GB3 ②比 = 3 \* GB3 ③好，就去掉直线的下半部如此继续做下去把优选范围不断缩小，就可以找到最优点的近似解。 对因素的选择也可采用分数法。 [瞎子爬山法] 迭代过程如下： 选取初始点(基点)的步长，命。 进行第k阶段的第l次方向(即轴方向)的局部探索 其中为第l个坐标轴的单位矢量，首先沿正方向探索 ? ? 在此采用矢量记号 它代表维空间的一点.上标k表示搜索的第k个阶段，下标l表示第k个阶段搜索中的第l次循环.若表示搜索中的基点序列,则当接近最优点时，有 如果，则探索成功，就把这点作为下一次沿第l+1个坐标轴方向探索的起点，并命；否则就沿反方向搜索 如果，则探索成功，就把这点作为下一次沿第l+1个坐标轴方向探索的起点，并命；如果正反方向探索都失败就退回原处，即命 并命。 当沿各个坐标轴方向的局部探索都轮流进行后，这个阶段的局部探索也就完成了，这时得到第k阶段的最好点。 命，以为新基点，重复步骤(2),如果不能得到更好的点，就缩小步长再进行局部探索，直到步长缩小到规定的精度为止，这时所得最好点即为最优点的近似解。 瞎子爬山法(也称探索爬山法)虽然没有前面几个方法快，但它特别适用于因素不能大幅度调动，或是在大生产中如果出一次废品就造成很大损失的情况。 [陡度法与对角线法] 1? 陡度和陡度法 设在,两点已经做试验，其目标函数值分别为(图18.6)，而且，那末 称为从上升到的陡度.对维空间有类似的定义。 陡度大的方向目标函数显然上升得快一些.所谓陡度法，就是利用已得的试验结果，算出各点间的陡度，然后沿陡度最大的方向(有利方向)再取点做试验。 2? 联合法(瞎子爬山法与陡度法联合使用) 例如用瞎子爬山法从点出发，沿轴方向调动因素得到点,效果较好，仍沿轴方向调动因 素得到点(图18.7)，效果还是好的，然后沿轴方向 调动因素得到点，效果也好，接下去就不一定从出 发再沿纵横方向去