迭代步长-更多文档分类.ppt

第1讲所列举的机械优化设计问题，都是在一定的限制条件下追求某一指标为最小，它们都属于约束优化问题。工程问题大都如此。 为什么要研究无约束优化问题 ??? (1)、有些实际问题，其数学模型本身就是一个 无约束优化问题 (2)、通过熟悉它的解法可以为研究约束优化问 题打下良好的基础 (3)、约束优化问题的求解可以通过一系列无约 束优化方法来达到。所以无约束优化问题的 解法是优化设计方法的基本组成部分，也是 优化方法的基础 无约束优化问题是： 求n维设计变量 使目标函数： 无约束优化方法算法的基本过程是: 从选定的某初始点x(k)出发，沿着以一定规律产生的搜索方向S(k) ,取适当的步长a(k) ,逐次搜寻函数值下降的新迭代点x(k+1),使之逐步通近最优点x* 可以把初始点x(k) 、搜索方向S(k) 、迭代步长a(k) 称为优化方法算法的三要素。其中以搜索方向S(k)更为突出和重要，它从根本上决定若一个算法的成败、收敛速率的快慢等。 一个算法的搜索方向成为该优化方法的基本标志，分析、确定搜索方向S(k)是研究优化方法的最根本的任务之一 4.1 梯度法 根据一元函数极值的必要条件和多元复合函数求导公式，得 这一问题的目标函数f(x)的等值线为一簇椭圆。 梯度法的特点: （1）理论明确，程序简单，对初始点要求不严格 （2）对一般函数而言，梯度法的收敛速度并不快，因为最速下降方向仅仅是指某点的一个局部性质 （3）梯度法相邻两次搜索方向的正交性，决定了迭代全过程的搜索路线呈锯齿状，在远离极小点时逼近速度较快，而在接近极小点时逼近速度较慢 （4）梯度法的收敛速度 与目标函数的性质密切相 关。对于等值线(面)为同 心圆（球）的目标函数， 一次搜索即可达到极小点 4.2 牛顿法及其改进 1、牛顿法 在xk邻域内用一个二次函数 来近似代替原目标函数，并将 的极小点作为对目标函数 求优的下一个迭代点 。经多次迭代，使之逼近目标函数 的极小点。 经过一次迭代即求得极小点 ， 函数极小值 。 牛顿法和阻尼牛顿法统称为牛顿型方法。这类方法的主要缺点是每次迭代都要计算函数的二阶导数矩阵，并对该矩阵求逆。这样工作量很大。特别是矩阵求逆，当维数高时工作量更大 。 4.3 变尺度法 2、构造尺度矩阵Ak 从初始矩阵A0=I(单位矩阵)开始，通过对公式 2）BFGS算法(Broyden-Fletcher-Gold frob-Shanno ) DFP算法由于舍入误差和一维搜索不精确，有可能导致构造矩阵的正定性遭到破坏，以至算法不稳定。BFGS算法对于维数较高问题具有更好的稳定性。 例4-3： 用DFP算法求下列问题的极值： 解： 1）取初始点 ，为了按DFP法构造第一次搜寻方向d0，需计算初始点处的梯度 沿d0方向进行一维搜索，得 DFP变尺度法的几点说明: ★(1)、在变尺度法中对A(k)矩阵是有要求的。因为对于极小化问题，为了使搜索方向 为下降方向，需要使搜索方向S(k)与负梯度方向的夹角为锐角，即 所以A(k)必须为正定矩阵 ★(2)、对于对称正定矩阵A(k)和非零向量S(1)、 S(2)… S(n) ★(2)、每次迭代都能使目标函数值单调下降即为算法的连续稳定性 为了提高实际计算中的稳定性，通常采用“重置”的方法，即在n次迭代后重新设置单位矩阵 4.4 共轭方向法 1.共轭方向 设G为n×n阶实对称正定矩阵，如果有两个n维向量d0和d1满足 ，则称向量d0与d1 关于矩阵G共轭。 如果能够选定这样的搜索方向，那么对于二元二次函数只需顺次进行d0、d1两次直线搜索就可以求到极小点x* ，即有 3.共轭梯度法 共轭梯度法是共轭方向法中的一种，该方法中每一个共轭向量都是依赖于迭代点处的负梯度而构造出来。 从xk出发，沿负梯度方向作一维搜索: 则： 4.5 鲍威尔方法 鲍威尔（Powell）法是直接利用函数值来构造共轭方向的一种方法 梯度和等值面相垂直的性质, dj和 xk, xk+1两点处的梯度gk,gk+1之间存在关