2第二章优化设计的数学基础new.pptVIP

第二章 优化设计的数学基础 ` 2.3 无约束优化问题的极值条件 一、一元函数极值条件 对于连续可微的一元函数f(x),如在x*点有极值，其必要条件为： f ’(x*)=0 若x*为有极小值点，其充分条件为： f ”(x*)0 若x*为有极大值点，其充分条件为： f ”(x*)0 2.4 凸集与凸函数与凸规划 2.4.1凸集与非凸集 2.5 等式约束优化问题的极值条件 对于等式约束优化问题： minf(x) s.t. hk(x) = 0 (k = 1,2,?m) 需要导出极值存在的条件。 数学上有两种处理方法： 消元法（降维法） 拉格朗日乘子法（升维法） 一、消元法 1）二元函数只有一个等式约束 minf(x1，x2) s.t. h (x1，x2) = 0 处理方法：将x1表示为x1 = ?(x2), 并代入目标函数中消去x1,变成一元函数F(x2), 则等式约束优化问题变为无约束优化问题。目标函数二维变一维,故称降维法。 2）n维情况 minf(x1，x2，?，xn) s.t. hk (x1，x2 ，?，xn) = 0 (k = 1,2,?l) 由l个约束方程将n个变量中的前l个变量用其余n-l个变量表示， 有 x1 = ?(xl+1,xl+2,?,xn) x2 = ?(xl+1,xl+2,?,xn) ? xn = ?(xl+1,xl+2,?,xn) 将这些函数关系代入到目标函数中， 得到只含有xl+1,xl+2,?,xn共n-l个变量的函数F(xl+1,xl+2,?,xn), 从而利用无约束优化问题的极值条件求解。（因为将l个约束方程联立往往求不出解来，实际上难于求解） 二、拉格朗日乘子法 通过增加变量将等式约束优化问题变成无约束优化问题。 对于 minf(x) s.t. hk(x) = 0 (k = 1,2,?l) 在极值点x*处有 (k = 1,2,?l) 令 可通过其中的l个方程 (a) 来求解l个待定系数?1，?2，?，?l，使得l个变量的微分dx1, dx2, ?，dxl 的系数全为零。于是得到 则有 (b) (j = l+1, l+2,?,n) 式（a),(b)及等式约束条件 hk(x) = 0 (k = 1,2,?l) 就是点x达到约束极值的必要条件。 式（a),(b)可以合并写成 (i = 1, 2,?,n) （c） 令 式中 待定系数?k称为拉格朗日乘子， F(x, ?)称为拉格朗日函数。本方法称为拉格朗日乘子法。 把F(x, ?)作为一个新的无约束条件的目标函数来求解它的极值点， 所得结果就是满足约束条件的原目标函数的极值点。自F(x, ?)具有极值的必要条件： 可得l+n个方程。由这些方程组求得函数f(x)的极值点x*=[x1* x2* ?xl*]T. 例2-4 用拉格朗日乘子法计算极值点坐标 f(x1，x2)=4x12+5x22 s.t. h (x1，x2) = 2x1+3x2-6=0 解： F(x, ?)=4x12+5x22+ ? (2x1