非线性规划问题的数学模型.pptVIP

第4节 直接算法 直接算法可以归为经验算法，不如迭代法有效 基本原则简明，有一定的技术实用性 单纯形法利用变换单纯形来求出极小点，是最常用的一种直接算法。 在单纯形法基础上，对非线性问题，1964年提出了改进的可变多面体算法 fminsearch函数利用此算法求解无约束优化问题 [x, fval] = fminsearch(fun, x0, options) [x, fval, exitflag, output] = fminsearch(…) 第4节 直接算法 例：利用fminsearch求Banana函数的极小值点 程序 ex6_2.m x0=[-1.9 2]; [x, fval] = fminsearch(@BanaFun, x0) x = 1.0000 1.0000 fval = 4.0686e-10 8.2.4 fmincon函数 fmincon是MATLAB最主要的内置求解约束最优化的函数，它需要的标准形式为： 8.2.4 fmincon函数 8.2.4 fmincon函数 课堂练习8.1 利用MATLAB求函数 8.2.1 最优性条件 大多数极值问题其变量的取值都会受到一定限制，这种限制由约束条件来体现。带有约束条件的极值问题称为约束极值问题。非线性规划的一般形式为 或 问题(7-2)也常写成 (7-1) (7-2) (7-3) 8.2.1 最优性条件 库恩－塔克条件 假定X*是非线性规划(7-3)式的极小点，该点可能位于可行域的内部，也可能处于可行域的边界上。若为前者，这事实上是个无约束问题，X*必满足条件 若极小点位于可行域边界，设在X*点的各起作用约束的梯度线性无关，则存在向量 使下述条件成立： (7-10) 条件(7-10)常简称为K-T条件。满足这个条件的点称为库恩-塔克点(或K-T点)。 8.2.1 最优性条件 库恩－塔克(Kuhn－Tucker,简写为K-T)条件 库恩－塔克条件是非线性规划领域中最重要的理论成果之一，是确定某点为最优点的必要条件。 只要是最优点(而且该点起作用约束的梯度线性无关。满足这种要求的点称为正则点)，就必须满足这个条件。 但一般说它并不是充分条件，因而满足这个条件的点不一定就是最优点 对于凸规划，它既是最优点存在的必要条件，同时也是充分条件 8.2.2 二次规划 若非线性规划的目标函数为自变量X的二次函数，约束条件全是线性的，称这种规划为二次规划。二次规划的数学模型为： 对于这种问题，库恩-塔克条件不但是极值点存在的必要条件，而且也是充分条件。 （7-12） （7-13） （7-14） 8.2.2 二次规划 由库恩-塔克条件可得如下线性规划问题： （7-20） 解线性规划(7-20)式，若得到最优解： 则，原二次规划问题的最优解为： 8.2.3 可行方向法 现考虑非线性规划(7-3)式，设X(k)是它的一个可行解，但不是要求的极小点。为了求它的极小点或近似极小点，根据以前所说，应在X(k)点的可行下降方向中选取某一方向D(k) ，并确定步长λk，使 若满足精度要求，迭代停止，X(k+1)就是所要的点。否则，从X(k+1)出发继续进行迭代，直到满足要求为止。 上述方法称为可行方向法，其特点是： 迭代过程中采用的搜索方向为可行方向，所产生的迭代点列｛X(k)｝始终在可行域内，目标函数值单调下降。 （7-21） 中等规模问题：序列二次规划 大规模问题：基于内点反射牛顿法的信赖域算法 大规模线性系统：共轭梯度法 [x, fval] = fmincon(fun, x0, A, b, Aeq, beq, lb, ub, nonlcon, options) nonlcon：非线性约束 options = optimset(LargeScale, off, display, iter); A = [-1 -2 -2; 1 2 2]; b = [0; 72]; x0 = [10 10 10]; [x, fval, exitFlag, output] = fmincon(@myfun1, x0, A, b, [], [], [], [], [], options) x = 24.0000 12.0000 12.0000 fval = -3.4560e+03 ex6_3.m options = optimset(LargeScale, off, display, iter); A = [-1 -2 -2; 1 2 2]; b = [0; 72]; x0 = [10 10 10]; [x, fval, exitFlag, output] = fmincon(@myfun1, x0, A, b, [], [], [],