规划模型专题二非线性规划.pptxVIP

规划模型专题二;第一部分 非线性规划; 在约1万米的高空的某边长为160km的正方形区域内，经常有若干架飞机作水平飞行，区域内每架飞机的位置和速度向量均由计算机记录其数据，以便进行飞行管理。当一架欲进入该区域的飞机到达区域边缘时，计算机记录其数据后，要立即计算并判断是否会发生碰撞。若会发生碰撞，则应计算如何调整各架飞机（包括新进入的飞机）飞行的方向角，以避免碰撞，且使飞机的调整的幅度尽量小，;该题比较有意思的一句话是：;不碰撞的标准为任意两架飞机的距离大??8km;;进入该区域的飞机在到达区域边缘时，与区域内 飞机的距离应在60km以上；;个人的想法不同，队友之间争执不下的情况下，若时间允许，都可一一写到论文中去，建立的模型一、模型二……；或者经讨论后，选择一个认为更合理的。费时较多的是计算（那时侯是自己编程解NLP）;解：;变量、参数的符号假设（为了建模）;;根据题目条件，需计算第 架飞机之间 的最短距离;为此，我们可以给出原问题的模型如下：;首先思考一下目标函数是否有其它的表达？;最小一乘 法;; 全国数学建模竞赛开展之初, 竞赛题大多是优化类型的题目, 那时的计算机性能没有现在好, 速度也没有现在快, 因此在模型的计算方面花的培训时间比较多。;其次讨论一下约束条件是否有其它表达？;; 无论选择哪一种表达，怎样考虑约束条件，目标函数都不可能是线性的。; 若目标函数或约束条件中含有非线性函数，则称这种模型问题为非线性规划（Non-Linear Prog-ramming），简记为NLP。; 无约束极值问题是NLP的一种特殊形式;理论上无约束极值问题可化成求解;求解无约束极值问题的基本方法：迭代法;由;迭代的方法很多,;若已得;于是一维搜索归结为求解一维无约束极值问题:;按; ♂一个好的算法必须以较快的速度收敛到 最优解。; 称为线性收敛；;一个算法是否收敛，; Newton法是平方收敛的，具有局部收敛性；抛物线法是超线性收敛的，具有全局收敛性；平分法、黄金分割法、分数法是线性收敛的，具有全局收敛性。;当; 在多数情况下，一维搜索的一个基本工具，; 1847年Cauchy提出了第一个无约束极值问题的算法——梯度法或最速下降法：; 该算法具有全局收敛性，是线性收敛的，但有时是很慢的线性收敛，这似乎与“最速下降”矛盾。其实不然，最速下降方向函数在某点处的局部性质，对局部来说是最速下降方向，对全局来说却不一定是最速下降方向，故梯度法不是有效的实用算法。; 下面仅介绍前两者，对后两者的了解可参阅有关书籍。; 该算法是平方收敛的，具有局部收敛性。;② Fletcher-Reeves共轭梯度法; 求解无约束极值问题的算法非常多，不同算法的效果和实际效率也可能与所求解的问题有关，软件包中往往提供了多种算法。; 求解一般的 NLP 比求解的无约束极值问题和 LP 都要复杂，虽然目前已发展了许多 NLP 的算法，但不象 LP 那样有通用的单纯形法，而是各种算法都有特定的使用范围。即便如此， NLP 的实际应用还是相当广泛的。;首先回顾 “NLP的一般形式”; 由于无约束极值问题的求解目前已有许多有效的算法，因此很自然想到把它们推广到有约束的 NLP ，但存在不少困难，特别是对于非线性约束，困难更大。;外罚函数法; 当 为可行解时, ; 给定 (可为非可行解点), ;说明;而只是近似满足约束，;当 从可行域内部趋于边界时, 至少有某个;而 r 很小,几乎不受惩罚;; 给定初始可行点 , ;困难的。;为简便起见，取平方;罚函数法中的罚因子的选取对方法的收敛快慢 有较大影响，尤其是当M不断增大和r不断减少 时， 越来越“病态”，使得求解无约束问题很困难。为此，人们提出了许多 改进的方法，其中最有效的是“乘子法”。需要详细了解时参阅相关书籍。; 罚函数法要用到目标函数和约束函数的偏导数，而某些实际问题中出现的函数很复杂，甚至难以解析表达，无法求得函数的偏导数，此时常用直接法(主要跟函数的函数值打交道)。; 对有约束问题，假定已知变量的取值范围，;网格的间距是要求的解的误差上限，若网格的间距超过控制误差，则在求出的点附近加密网格再求。否则，便求得了近似最优解。;E 缩小后再重复上述过程。通过不断收缩E来求极小值点。这就是随机试验法的基本思路。; NLP也可用 Lingo 或 Matlab（优化工具箱）软件求解，但其结果往往依赖于初值的选择。