现代设计方法课件第5节.ppt

解:(1)取 ，计算得： 点X(k) 在某些约束边界上,因此需要判断是否为极值点,即是否满足K-T条件。注:如何求Ik ？ Ik为X(k)起作用的约束的下标集合。 令 ，有 即 解得 ?3=-4，?4=-6，不满足K-T条件（X(0)不是极值点，寻找最佳可行下降方向，按最佳下降可行方向迭代搜索，因此需要构造线性规划问题） (2) 构造线性规划问题(求X(0)点的最佳下降可行方向) min?(S)=[?f(X(0))]TS(0)=[-4,-6][s1,s2]T=-4s1-6s2 s.t. -1?si ?1 (i=1,2,?,n) 用单纯形法求解得：S*=[1,1]T ，令S(0)= S*=[1,1]T S*最佳可行下降方向 (3) 沿方向S(0) 进行约束一维搜索，取 代入目标函数得： f(X(1) )=2?2-10? 再令? (?)= f(X(1) ), ??(?)=0 ，得到 ? =2.5，X(1) =[2.5,2.5]T（不考虑约束条件时,一维搜索结果，即X(1)是S(0)方向上的无约束极小点） 代入约束条件发现，X(1)不满足前两个约束条件（超出这两个约束边界），满足后两个约束条件。 为此，将X(1)=[?,?]T代入前两个约束边界方程，并令 g1(X(1))=0, g2(X(1))=0 解得S(0)方向上两个边界点所对应的步长因子?1=1，?2=5/6 可见，离点X(0)最近的一个边界点是 X(1)=[5/6,5/6]T，这就是说，X(1)是方向 S(0)上的约束极小点。 (4) 收敛判断：在点X(1)（方向 S(0)上的约束极小点）处 代入K-T条件： ，解得： 此方程无解，说明X(1)不是约束优化问题的最优解。 (5) 构造另一个线性规划问题(求X(1)点的最佳下降可行方向) 利用单纯形法解得：S(1)=S*=[ 1 0.2]T 因为 所以 (6) 沿方向S(1) 进行一维搜索得： 对? 求导，解得：X(2)=[35/31,24/31]T，f(X(2))=-7.16代入约束条件均满足。 收敛判断： 由于 代入K-T条件得： 说明满足k—t条件 故X(2)=[35/31,24/31]T，f(X(2))=-7.16就是原约束优化问题的最优解。 二、 约束优化问题的间接求解法——惩罚函数法 惩罚函数法是求解约束优化问题的间接法的一种。它是将目标函数和约束条件构造成一个新的目标函数，将约束最优化问题转化为无约束最优化问题，然后利用各种有效的无约束最优化解法求解而得到约束最优化的近似解。这是一种使用广泛的有效的间接解法。 1. 惩罚函数法的基本思路 将不等式约束 gu(X)?0(u=1,2,?,m) 、等式约束hv(X)=0(v=1,2,?,p) 和待定系数 ?(k) （加权因子）经加权转化后，与原目标函数f(X)一起组成一个新的目标函数?(X,?(k)) （惩罚函数），然后对它求最优解。 对于优化问题 min f(X) X?Rn s.t gu(X)?0 (u=1,2,?,m) hv(X)?0 (v=1,2,?,p) 把其中不等式和等式约束函数值经加权处理后，和原目标函数结合构成新的目标函数: 惩罚函数 惩罚函数中的后两项称为惩罚项。 惩罚项满足下列要求： 当满足约束条件时，惩罚项的值很小或为0； 当不满足约束条件时，惩罚项的值很大，即对不满足约束条件的点的函数值进行惩罚。 新目标函数中，?1(k) 、?2(k)称为惩罚因子或加权因子，它们是一系列的按一定规则变化的值。当按照一定的法则改变 ?1(k) 和?2(k)的数值时，就构成了一系列的无约束优化问题，求解这些优化问题可得到一系列的无约束的迭代点，使其一步步迭代，不断地逼近原约束优化问题的最优解。 数学上可以证明：当惩罚函数满足 时，上述惩罚函数在k??过程中产生的极小点序列 X(0)， X(1)，? ，X(k)， X(k+1), ? 将逐渐逼近于原约束优化问题的最优解。 即 惩罚函数法又称序列无约束极小化方法，常称SUMT（ sequential unconst