《机械优化设计》第二章-优化设计的数学基础.pptxVIP

《机械优化设计》Mechanical optimization design 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 一个多元函数可用偏导数的概念来研究函数沿各坐标方向的变化率。 二元函数的偏导数： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 方向导数： θ2 θ1 o 偏导数与方向导数之间的数量关系： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 多元函数的方向导数： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 例： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 梯度： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 梯度的性质： 1）梯度是一个向量； 2）梯度方向是方向导数最大的方向，即函数值变化最快（函数值变化率最大）的方向 ； 3）梯度方向是等值面（线）的法线方向 。 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 多元函数的梯度： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 例题： 第二章 优化设计的数学基础 第一节 多元函数的方向导数和梯度 例题： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 一元函数 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 二元函数： 二元函数泰勒展开式的矩阵形式： 对称矩阵 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 多元函数泰勒展开式的矩阵形式： 是函数在该点的梯度 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 多元函数的海赛矩阵： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 例： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 二次二维函数用向量和矩阵的表示方法： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 二次n维函数用向量和矩阵的表示方法： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 几种特殊类型函数的梯度： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 二次型： 第二章 优化设计的数学基础 第二节 多元函数的泰勒展开 正定矩阵： 第二章 优化设计的数学基础 矩阵正定与负定的判定： 正定：矩阵A正定的条件是A的各阶主子式大于零； 负定：矩阵A负定的条件是各阶主子式负、正相间。 第二节 多元函数的泰勒展开 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 必要条件 充分条件 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 第二章 优化设计的数学基础 第三节 无约束优化问题的极值条件 例： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 当极值点x*能使f（x*）在整个可行域中为最小值（最大值）时，即在整个可行域中对任一 x都有f（x）≥f（x*）（或者f（x）≤f（x*） ）时，则x* 就是全局极小点（全局极大点）。 全局极值点（最优点）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 若f（x*）为局部可行域中的极小值（极大值）而不是整个可行域中的最小值（或最大值）时，则称x*为局部极小点（局部极大点）。 局部极值点（相对极值点）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 一个下凸的函数，它的极值点只有一个，并且该点既是局部极值点也是全局极值点，我们就称这个函数具有凸性。 函数的凸性（单峰性）： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 设R是一个点集（或区域），若连接其中任意两点x1和x2的直线都属于R，则称这种集合R是一个凸集。 凸集： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 凸集的性质： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 具有凸性（表现为单峰性）或只有唯一的局部最优值，即全局最优值的函数，称为凸函数或单峰函数。 凸函数： 第二章 优化设计的数学基础 第四节 凸集、凸函数和凸规划 1．若f (x)为定义在凸集R上的一个凸函数，且α是一个正数（α0），则αf (x)也必是定义在凸集R上的凸函数。 2．定义在凸集R上的两个凸函数f 1 (x)和f 2 (x) ，其和 f (x) = f 1 (x) + f 2 (x) 也一定是该凸集上的一个凸函数。 3．若f 1 (x) 、f 2 (x)是定义在凸集R上的两个凸函数，α和β为两个任意正数，则函数αf 1 (x) +βf