3数学规划法在结构优化设计中应用.pptVIP

罚项具有下述性质： 当ｘ远离约束边界时，　　　　　较小； 当ｘ靠近约束边界时，　　　　　就变得很大，甚至趋于无穷。 由下图可知： 原规划最优点在x*，罚函数F(x)的最优解在罚函数等值线中心点，当ｒ较大时，该中心点离原规划x*较远，随着r的减少，中心点离x*的距离越来越近。 因此可以从一个单调下降的系数序列{rk}中 逐个选取系数rk,求得相应目标函数F(x,rk)的极小值及设计最优点x(K)的序列x(1), x(2) ,…, x(K)则原规划的最优点x*对应于下述极限 II. 外罚函数法 设原非线性规划问题为： 寻找ｘ，使得 　　　　 min f( X ) X ? E n s. t. 　g i (X) ? 0 i =1, m 用外点罚函数则转化为下述无约束极小化问题 　　 其中罚项　　　　　　　　　，Ｍ＞０其含义为在g i (X) 和０之间挑选大者。随Ｍ值增大，F(x) 值也增大，即偏离f(x)越远，这可看成对于不满足约束条件的一种惩罚。 如图所示，原规划最优解在x*点，而罚函数F(x,M)的最优解在罚函数等值线中心x*处，两者有一定的距离。与内点法不同， x*在不可行域中，但处理问题的方式有相同之处。 因此可以从一个单调上升的系数序列{Mk}中 逐个选取系数Mk,求得相应目标函数F(x,Mk)的极小值及设计最优点x(K)的序列x(1), x(2) ,…, x(K)，则原规划的最优点x*对应于下述极限 III. 内点法和外点法的比较 内点法 外点法 设计点一定要是可行内点，要控制设计点不能超过约束边界； 内点法只能处理不等式约束问题； 内点法求解的极小点序列总位于可行域内，但总不在约束边界上，对某些工程设计问题，可任选一个最优解作为较好的设计； 内点法尽管F(x,r)和f(x)的偏导数阶数相同，但靠近约束边界处并不连续。 设计点的运动轨迹位于可行域外，迭代中向可行域靠近，最后趋近最优点； 可以处理不等式约束，也可以处理等式约束； 其极小点序列大部分落在不可行域中，只有当某些约束满足时，可能到达约束边界上，但其中间解均是不可行的； 外点法有连续的一阶偏导数。 3.6 序列二次规划方法 考虑等式约束的优化问题 　　　　 min f( X ) X ? E n s. t. 　g j (X) = 0 j =1, …, m 定义其拉格朗奇函数为 根据Kuhn-Tucker定理，其稳定点的非线性方程组为： 其解用Newton-Raphson迭代方法求解： 其中： 上式可以进一步修改为： 上式又可以看成是一个下面二次规划的的Kuhn-Tucker条件，即： 若该规划满足下列条件： i）约束函数g在Xk的Jacobi矩阵A(Xk)行满秩； ii）矩阵 在约束函数g的切空间上是正定的。 那么该规划有唯一的解 ，其存在一个新的向量 使得： 那么： 考虑一般形式的约束优化问题： 在给定点 之后，将约束函数线性化，并且对Lagrange函数进行二次多项式近似，得到如下形式的二次规划子问题： 步骤1：初始化 步骤2：计算改进方向 步骤3：收敛性检验 步骤4：确定罚因子 步骤5：步长选择 步骤6：改进迭代点并校正Hesse矩阵 算法终止 3.4 可行方向法 I. 概述 结构优化的一般数学规划表达式： 寻找一组设计变量 X = ( X1 , X2, ……, Xn )T 　　　 min f( X ) X ? E n s. t. 　g i (X) ? 0 i =1, m 设计变量的迭代公式 ----- X ( ?+1) = X ( ? ) + ? ?P ( ? ) 从 X ( ? ) 调参至 X ( ?+1) , 要求设计点可行, 并且目标函数还要下降, 即满足可用可行性条件: 1. 满足可用性条件 ( Usability condition ) ?f ( X ( ? ) )T p ( ? ) ? 0 2. 满足可行性条件 ( Feasibility condition ) ?g i (X ( ? ) + ? ?P ( ? ) ) ? 0 　或者 ?g i (X ( ? ) )T P ( ? ) ? 0 这两个条件的几何意义是: 目标函数梯度向量和约束条件梯度向量与方向向量之间的夹角均大于900. 根据上述要求, 可以有三条路线来完成调参: 1. 沿等重线(面)侧移； 2. 沿约束边界