最优化理论与方法-电子科技大学.pptVIP

2.如果检验数中, 有些为正数, 但其中某正数所对应的列向量的所有分量都是非正数, 则问题无最优解. 1 0 0 0 ?1 8 x5 0 1 0 1 0 3 x4 0 0 1 0 ?1 4 x3 0 0 0 5 2 0 S? x5 x4 x3 x2 x1 因检验数 20, 其对应的列向量 所以原规划无最优解. 注: 为避免迭代中的循环, 轴心基的选取应遵循以下两条原则: 1) 对进基列Ps 在所有判别数为正的那些列中, 以列标最小, 也就是最 左边的那一列作进基列. 2) 对轴心项 若在进基列Ps中有多个分量符合轴心项的条件, 则取行 标最小的那一个作为轴心项. §3.7 一维搜索法 一、下降迭代算法及终止准则 下降迭代算法的基本思想: 选择一个初始点 x0 ，逐次产生一系列点列 x0 , x1 , x2 , …，使 f(x0 )＞ f(x1 ) ＞…＞ f(xk ) ＞… 并希望点列 {xk } 的极限就是 f(x) 的极小点 x*。 即 问题为: 基本步骤 (1) 选初始点 x0 ，令 k = 0。 (2) 按某种规则确定一个方向pk ，使 f(x) 沿 pk 方向函数值下降（称为搜索方向）。 （3）从xk 出发以 pk 为方向作射线 xk + ?pk （?≥0），（参数 ? 称为步长因子）。在此射线上求 f(x) 的最小值。即 求 min 0 3 f (xk + adk ) = f(xk + akdk) = f(xk+1 ) a 其中 xk+1 = xk + ?kdk 说明： （*）式称为终止准则 ，终止准则也可用下式 (4) 判别 xk+1 是否为最优解；若 则 xk+1 为近似最优解，迭代停止；否则令 k﹕= k+1，转（2）。其中ε1 为预先给定的一个很小的正数, ▽f(xk+1) 为函数在点 xk+1 的梯度 . ?f(xk+1) f(xk+1) - f(xk) ＜ε1 或 ＜ε1 （*） 或 二、黄金分割法（0.618法） 0.618 法是求单峰函数的一种试探法，也是广泛使用的方法之一。 1. 单峰函数 定义 设 f(x) 是定义在[a,b]上的函数，若 （i） 存在 x*∈[a, b] 使 min f(x) = f(x*) x∈[a,b] （ii） 对任意的 a ≤x1 x2 ≤b，当 x2 x* 时， f(x1) f(x2) 当 x1 x* 时 f(x1) f(x2) ，则称 f(x) 为 [a, b] 上的单峰函数。 例如： a x1 x2 x* x1’ x2’ ) ( x f 单峰函数 a b ) ( x f 不是单峰函数 §3.3 线性规划的基本概念及解的性质 其中 A 为 m?n 矩阵, 设秩R(A)=m, 则 m≤n , 用 Pj 表示 A 的第 j 列, 则Ax=b可记为 基: 若 可逆, 则称 B 为该线性规划的基. 称 为基向量. 称 xji 为基变量. 其余变量称为非基变量. 考虑线性规划: (3.3.1) 基本解: 设 是式(3.3.1)的一个基, 相应的基变量为 则方程组 BxB=b 有唯一解: 可行解: 满足 Ax=b, x≥0 的向量 x 称为式(3.3.1)的可行解. 基本可行解: 若 x 既是可行解又是基本解, 则称 x 为式(3.3.1)的基本可行解. 此时的 B 称为可行基. 因A为m?n矩阵，所以式(3.3.1)的不同基最多有Cnm 个. 即基本可行解的个数有限. 令非基变量全部为 0, 得 Ax=b 的一组解: 称此解为式(3.3.1)的基本解. ( 假定 j1, … , jm = 1, … , m ) 最优解: CTx 取得的最小值的可行解 x*, 称为式(3.3.1)的最优解. 例1 求下列约束的所有基本可行解. 即 ? 均为基 解 由于x1=-2 0, 故 x 不是可行解, 从而不是基本可行解. (2) 取B2为基, 则 x2, x3 为基变量. (3) 取B3为基, 则 x1, x3 为基变量. 所以所有基本可行解为: x2, x3 (1) 取B1为基, 则 定义1 设 , 若对 , 及 ,