非线性规划的理论与算法.pdfVIP

第五章 非线性规划：理论和算法 5.5 约束优化 , 我们现在继续讨论更一般的有约束的线性优化问题。特别的 我 们考虑一个具有非线性目标函数和（或者）非线性约束的优化问题。我 们可以将这种 问题表 为下面的一般形式： min x f (x) g (x)  0,i  (5.10) i g (x)  0,i  i 在本节的末尾，我们假 f 和 gi ，i    全部是连续可微的。 拉格朗日函数是研究有约束的优化问题的一个重要工具。为了定 义这个函数，我们结合每个约束的乘子i ——称作拉格朗日乘子。对 5.10 于问题（ ）拉格朗日函数如下定义： L (x ,) : f (x)   g (x) i i 5.11 （ ） i  本质上，我们考虑的是目标函数违反了可行约束时的惩罚函数。 选择合适的i ，最小化无约束函数L x ,  等价于求解约束问题 5.10 （ ）。这就是我们对拉格朗日函数感兴趣的最根本的原因。 与这个问题相关的最重要 问题之一是求解最优问题的充要条件。 总之，这些条件称为最优性条件，也是本节的目的。 5.10 在给出问题（ ）最优性条件之前，我们先讨论一个叫做正则性 的条件，由下面的定义给出： 定义 5.1 ： 向量x 满足g (x)  0,i  和g (x)  0,i  。 J   是使 i i g (x)  0 x 5.10 得 i 等号成立的指标集。 是问题（ ）约束条件的正则点，如 果梯度向量g (x) （ i J   ）相互线性无关。 i 在上述定义中与  J 对应的约束，即满足g (x)  0 的约束称为在 i x 点处的有效约束。 我们讨论第一章提到的两个优化的概念，局部和全局。回顾 5.10 x * f (x * )  f (x) （ ）的全局最优解向量 ，它是可行的而且满足 对于所 x * 有的 都成立。相比之下，局部最优解 x 是可行的而且满足 *