罚函数罚与乘子法 () 2.docVIP

罚函数法 罚函数法是能够处理一般的约束优化问题：的一类方法。其基本思想是将约束优化问题卑微无约束问题来求解。罚函数是由目标函数和约束函数的某种组合得到的函数，对于等式约束的优化问题，可以定义如下的罚函数： 将约束优化问题转化为无约束优化问题；对于不等式约束的优化问题 可以定义如下的罚函数： 对于同时存在等式约束和不等式约束的优化问题，可以去上面两个罚函数的组合。当然罚函数还有其他的取法，但是构造罚函数的思想都是一样的，即使得在可行点罚函数等于原来的目标函数值，在不可行点罚函数等于一个很大的数。 外点罚函数法 1.算法原理 外点罚函数法是通过一系列罚因子，求罚函数的极小值来逼近原约束问题的最有点。之所以称为外点罚函数法，是因为它是从可行域外部向约束边界逐步靠拢的。 2，。算法步骤 用外点罚函数法求解线性约束问题的算法过程如下： 1，给定初始点，罚参数列及精度，置； 2，构造罚函数； 3，用某种无约束非线性规划，以为初始点求解； 4，设最优解为，若满足某种终止条件，则停止迭代输出，否则令，转2； 罚参数列的选法：通常先选定一个初始常数和一个比例系数，则其余的可表示为。终止条件可采用，其中。 3 算法的MATLAB实现 function [x,minf] = minPF(f,x0,A,b,c1,p,var,eps) % 目标函数：f； % 初始点： x0; % 约束矩阵： A； % 约束右端向量：b； % 罚参数的初始常数： c1; % 罚参数的比例系数： p； % 自变量向量 Var； % 精度： eps； % 目标函数取最小值时自变量值： x; % 目标函数的最小值：minf； format long; if nargin == 7 eps = 1.0e-4; end k = 0; FE = 0; for i=1:length(b) FE = FE + (var*transpose(A(1,:)) - b(i))^2; end x1 = transpose(x0); x2 = inf; while 1 M = c1*p; FF = M*FE; SumF = f + FF; [x2,minf] = minNT(SumF,transpose(x1),var); if norm(x2 - x1)=eps x = x2; break; else c1 = M; x1 = x2; end end minf = Funval(f,var,x); format short; 4.算法举例 用外点罚函数法求下面的优化问题：其中取，初始点取。 解：由题已知，则每一步迭代需求解的罚函数为： 在MATLAB命令窗口中输入： f = 0.5*t^2+s^2/4; A=[1 1];b=1; c1=0.05;p=2; [x,minf]=minPF(f,[0 0],A,b,c1,p,[t s]) 所得结果为： x=0.3333 0.6666 minf = 0.1666 对于一般的等式约束问题也可以用外点罚函数法解决： function [x,minf] = minGeneralPF(f,x0,h,c1,p,var,eps) format long; if nargin == 6 eps = 1.0e-4; end k = 0; FE = 0; for i=1:length(h) FE = FE + (h(i))^2; end x1 = transpose(x0); x2 = inf; while 1 M = c1*p; FF = M*FE; SumF = f + FF; [x2,minf] = minNT(SumF,transpose(x1),var); if norm(x2 - x1)=eps x = x2; break; else c1 = M; x1 = x2; end end minf = Funval(f,var,x); format short; 例 用通用罚函数法求下面的优化问题： 其中取，初始点取为。 外点罚函数法除了可以求含等式约束的优化问题外，还可以求混合约束的优化问题，不过其罚函数形式要修正。 通过引入罚函数 可以转化为无约束优化问题。 function [x,minf] = minConPF(f,x0,g,h,c1,p,var,eps) format long; if nargin == 7 eps = 1.0e-4; en