- 1、本文档共41页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第 九 章:非线性规划模型;例9-2 某厂生产两种产品,第一种产品每件售价30元,第二种产品每件售价450
元。设x1与x2分别为第一、二种产品的数量,据统计,生产第一种产品所需工作
时间平均为0.5小时,生产第二种产品所需工作时间平均为(2+0.25x2)小时。已
知该工厂在这段时间内允许的总工作时间为800小时,试确定使总收入最大的生
产计划?
; 2、多元函数 y=f(X)=f(x1,x2,…,xn):在 X0 附近作泰勒展开,得
;四、凸函数与凹函数:
1、定义:y=f(x) 是En中某凸集R上的函数
① 对???[0,1]及?X1、X2 ?R,且 X1≠X2
若f[?X1+(1-?)X2]≤?f(X1)+(1-?)f(X2) ,则f(x)为R上的凸函数。
若f[?X1+(1-?)X2]<?f(X1)+(1-?)f(X2) ,则f(x)为R上的严格凸函数。
② 对???[0,1]及?X1、X2 ?R,且 X1≠X2
若f[?X1+(1-?)X2]≥?f(X1)+(1-?)f(X2) ,则f(x)为R上的凹函数。
若f[?X1+(1-?)X2]>?f(X1)+(1-?)f(X2) ,则f(x)为R上的严格凹函数。; 2、性质:fi(X) 为凸集R上的凸函数,则对?ki≥0,i=1,2,…,m,有
k1f1(X)+k2f2(X)+…+kmfm(X)仍为凸函数。
3、凸函数的判定:f(X) 定义在凸集R上,若f(X)有连续的二阶导数,
则f(X)为凸函数 ? H为半正定。
f(X)为严格凸函数 ? H为正定。
4、凸函数的局部极值与全局极值的关系
若目标函数在可行域中为凸函数,则其极值点为最优值点;
若目标函数在可行域中为严格凸函数,则其极值点为唯一最优值点。
;五、凸规划:
1、定义:非线性规划;9.2 无约束条件下单变量函数寻优
一、消去法原理:
逐步缩小搜索区间,直至极值点存在的区间达到允许的误差范围为止。
设要寻求f(X)的极小值点为 X* ,起始搜索区间为[a0,b0]。
?x1、x2 ?[a0,b0],且x2<x1,计算 f(x1)和f(x2),并且比较结果:;二、黄金分割法(0.618法):是一种常用的消去法
与对分法、Fibonacci法比较,具有计算次数少,过程简单的特点。
; 3、计算步骤:求函数f(x)的极值点
;例 求解 f(x)=-18x2+72x+28 的极大值点,?≤0.1,起始搜索区间为[0,3]
;9.3 无约束条件下多变量函数寻优
一、爬山法原理:
通过点的直接移动,逐步改善目标函数取值,???至达到极值点为止。
由以下二部分组成:
① 选定搜索方向;
② 在选定的方向上爬山搜索。; 2、算法步骤:
设 S=f(X)=f(x1,x2),极值点存在的区间为x1*?[a1,b1],x2*?[a2,b2]
第一步:从 X(0)=(x1(0),x2(0))T出发
①先固定x1=x1(0): 求以x2为单变量的目标函数的极值点,
得 X(1)=(x1(0),x2(1))T ,S(1)=f(X(1))
②再固定x2=x2(1): 求以x1为单变量的目标函数的极值点,
得 X(2)=(x1(2),x2(1))T ,S(2)=f(X(2))
此时S(2)优于S(1),且搜索区间缩短为x1*?[x1(2),b1],x2*?[x2(1),b2]
第二步:如此交替搜索,直至满足给定精度 ? 为止
|f(X(k)) -f(X(k-1))|<? 或 |S(k)-S(k-1)|<?
;例 求 S = f(x) = x12 + x22 - x1x2 -10x1 - 4x2 + 60 的极小值点, ?=0.01
;k;三、一阶梯度法(最速下降或上升法):选择负梯度方向为搜索方向
设求 S=f(X)=f(x1,x2,…,xn)的极值点。
1、原理:①从起点 X(0) 出发,沿某个有利方向 P(0) 进行一维搜索,
求得 f(X) 在 P(0) 方向近似极小点 X(1) ;
②从点 X(1) 出发,沿某个新有利方向 P(1) 进行一维搜索,
求得 f(X) 在 P(1) 方向近似极小点 X(2
文档评论(0)