非线性规划方案模型.docVIP

非线性计划模型 在上一次作业中，我们对线性计划模型进行了对应介绍及优缺点，然而在实际问题中并不是全部问题全部能够利用线性计划模型求解。实际问题中很多全部能够归结为一个非线性计划问题，即假如目标函数和约束条件中包含有非线性函数，则这么问题称为非线性计划问题。通常来说，处理非线性问题要比线性问题难得多，不像线性计划有适适用于通常情况单纯形法。对于线性计划来说，其可行域通常是一个凸集，只要存在最优解，则其最优解一定在可行域边界上达成；对于非线性计划，即使是存在最优解，却是能够在可行域任一点达成，所以，对于非线性计划模型，迄今为止还没有一个适适用于通常情况求解方法，我们在本文中也只是介绍了多个比较常见多个求解方法。 一、非线性计划分类 1无约束非线性计划 当问题没有约束条件时，即求多元函数极值问题，通常模型为 这类问题即为无约束非线性计划问题 1.1无约束非线性计划解法 1.1.1通常迭代法 即为可行方向法。对于问题 给出极小点初始值，按某种规律计算出一系列，期望点阵极限就是一个极小点。 由一个解向量求出另一个新解向量 向量是由方向和长度确定，所以 即求解和，选择和标准是使目标函数在点阵上值逐步减小，即 检验是否收敛和最优解，及对于给定精度，是否。 1.1.2一维搜索法 当用迭代法求函数极小点时，常常见到一维搜索，即沿某一已知方向求目标函数极小点。一维搜索方法很多，常见有： （1）试探法（“成功—失败”，斐波那契法，0.618法等）； （2）插值法（抛物线插值法，三次插值法等）； （3）微积分中求根法（切线法，二分法等）。 考虑一维极小化问题 若是区间上下单峰函数，我们介绍经过不停地缩短长度，来搜索得近似最优解两个方法。经过缩短区间，逐步搜索得最优解近似值 2.1.3梯度法 选择一个使函数值下降速度最快方向。把在点方向导数最小方向作为搜索方向，即令. 计算步骤： （1）选定初始点和给定要求，； （2）若，则停止计算，，不然； （3）在处沿方向做一维搜索得，返回第二步，直到求得最优解为止.能够求得： 2.1.4共轭梯度法 又称共轭斜量法，仅适适用于正定二次函数极小值问题： A为阶实对称正定阵 从任意初始点和向量出发，由 和 能够得到——能够证实向量——是线性无关，且相关A是两两共轭。从而可得到——，则——为——极小点。 计算步骤： （1）对任意初始点和向量，取 （2）若，即得到最优解，停止计算，不然求 （3）令；返回（2） 2.1.5牛顿法 对于问题： 由则由最优条件当A为正定时，存在，于是有为最优解 2.1.6拟牛顿法 对于通常二阶可微函数，在点局部有 当正定时，也可用上面牛顿法，这就是拟牛顿法。 计算步骤： 任取， （2）计算，若，则停止计算，不然计算，令； （3）令；返回（2） 2有约束非线性计划 2.1非线性计划最优性条件 若是非线性问题中极小点，且对点有效约束梯度线性无关，则必存在向量使下述条件成立： 此条件为库恩-塔克条件（K-T条件），满足K-T条件点也称为K-T点。 K-T条件是非线性计划最关键理论基础，是确定某点是否为最优解必需条件，但不一定是充要条件。对于凸计划它一定是充要条件。 2.2非线性计划可行方向法 因为线性计划目标函数为线性函数，可行域为凸集，所以求出最优解就是整个可行域上全局最优解。非线性计划却不然，有时求出某个解虽是一部分可行域上极值点，但并不一定是整个可行域上全局最优解。 假设非线性计划问题中一个可行解，但不是最优解，为了深入寻求最优解在它可行下降方向中选择其中一个方向，并确定最好步长，使得 反复进行这一过程，直到得到满足精度要求为止，这种方法称为可行方向法，也称迭代法。 2.3有约束非线性计划解法 2.3.1外点法 （1）对于等式约束问题 做辅助函数 假如最优解满足或近似满足则就是问题最优解或近似解 （2）对于不等式约束问题 做辅助函数 求. （3）对于通常问题 做辅助函数 求解 2.3.2内点法 内点法是在可行域内进行得，并一直保持在可行域内进行搜索，只适适用于不等式约束问题 辅助函数： X趋于R边界时，使趋向于正无穷，常见形式 求解 非线性计划缺点不足 算法 优点 缺点 梯度法 计算量小，存放变量较少,初始点要求不高 初值依靠，收敛慢，最速下降法适适用于寻优过程前期迭代或作为间插步骤，越靠近极值点时，收敛熟读越慢，后期宜选择收敛快算法 牛顿法 收敛速度很快 当维数较高时，计算工作量很大，初值依靠，当初值选择不