约束最优化设计.pptVIP

　　进行迭代计算,迭代点既不超出可行域,又使目标函数的值有所下降。在不断调整可行方向的过程中，使迭代点逐步逼近约束最优点。 1.可行方向法的搜索策略 　　第一步迭代都是从可行的初始点 出发，沿点的负梯度 　　　　　　方向，将初始点移动到某一个约束面（只有一个起作用的约束时）上, 或约束面的交集（有几个起作用的约束时）上。 　可行方向法 可行方向是求解大型约束优化问题的主要方法之一。这种方法的基本原理是在可行域内选择一个初始点 ，当确定了一个可行方向d和适当的步长后，按式: 　　然后根据约束函数和目标函数的不同形状，分别采用以下几种策略继续搜索。 1　新点在可行域内的情况 2 　新点在可行域外的情况 3　沿线性约束面的搜索 4　沿非线性约束面的搜索 　　可行方向是指沿该方向作微小移动后，所得到的新点是可行点，且目标函数值有所下降。 可行方向应满足两个条件: (1)可行; (2)下降。 1）可行条件 　 　　方向的可行条件是指沿该方向作微小移动后，所得到的新点为可行点。 2.产生可行方向的条件 　　方向的下降条件是指沿该方向作微小移动后，所得新点的目标函数值是下降的。 2）下降条件 　　位于约束曲面在点xk的切线和目标函数等值线在点xk的切线所围成的扇形区内，该扇形区称为可行下降方向区。 满足可行和下降条件，即式: 同时成立的方向称可行方向. 　　满足可行、下降条件的方向位于可行下降扇形区内，在扇形区内寻找一个最有利的方向作为本次迭代的搜索方向。 （1）优选方向法 由条件： 求一个以搜索方向d为设计变量的约束优化问题 s.t. 各函数均为设计变量d的线性函数，因此该式为一个（线性）规划问题。 3.可行方向的产生方法 x k d k g 1 ( x )=0 g 2 ( x )=0 g 3 ( x )=0 g 4 ( x )=0 P——投影算子，为n*n阶矩阵 G ——起作用约束函数的梯度矩阵，n*J阶矩阵； （2）梯度投影法 当xk点目标函数的负梯度方向不满足可行条件时，可将 　　方向投影到约束面（或约束面的交集）上，得到投影向量 dk。 　　确定的步长应使新的迭代点为可行点，且目标函数具有最大的下降量 。——约束一维搜索 1）取最优步长 从xk点出发，沿dk方向进行一维最优化搜索，取得最优步长，计算新点x的值 。 4.步长的确定 　　改变步长，使新点x返回到约束面上来。使新点x恰好位于约束面上的步长称为最大步长 。 取到约束边界的最大步长 从xk点出发，沿dk方向进行一维最优化搜索，得到的新点x为不可行点。 0 x 1 x 2 x k d k x k+1 g 2 ( x )=0 g 1 ( x )=0 a* d k a M d k x 约束一维搜索： 与以前所讲过的一维搜索相比，约束一维搜索的特点在于：确定初始区间时，对产生的每一个探测点都进行可行性判断，如违反了某个或某些约束条件，就必须减少步长因子，以使新的探测点落在最近的一个约束曲面上或约束曲面的一个容许的区间 内。 f(a1) f(a2) f(a1) f(a2) a1 a1 a2 a0 a0 a2 f(a’3) f(a’3) a’3 a’3 f(a3) f(a3) a3 a3 如得到的相邻三个探测点都是可行点，而且函数值呈“大－小－大”变化，则与前面一维搜索相同，两端点所决定的区间就是初始区间，接着缩小区间的到一维最小点。 如最后得到的探测点落在约束曲面的一个容限 之内，而且函数值比前一点的小，则该点就是一维极小点。 收敛条件 2）设计点xk满足库恩-塔克条件 1）设计点xk及约束允差　满足 解: (1)取初始点 　，则取作用约束集: Jk={1} 例题　用可行方向法求约束优化问题 1 d1 d2 用图解法： 最优方向： (2)寻找最优方向，即解一个以可行方向为设计变量 　 的规划问题： x1在约束边界g3(x)=0上: g3(x1)=0 (4) 第二次迭代，用梯度投影法确定可行方向, 迭代点x的目标函数负梯度 不满足方向的可行条件，将 投影到约束边界g3(x)=0上。 投影算子： 由上式可求得： (3)沿d0方向进行一维搜索 本次迭代方向 D为沿约束边界g3(x)=0的方向，求最佳步长 求得： x2 g5(x)=0 6 8 x1 g4(x)=0 g3(x)=0 g2(x)=0 g1(x)=0 x0 d0 由于 Jk={3， 5} 代入K—T条件： （4）收敛判断： 　　将有不等式约束的优化问题转