数模非线性规划模型.ppt

例： 写出 K-T 条件 ; 求出相应的 K-T 点 ; 判断 K-T 点是不是 问题的最优解 ? min f ( x 1 , x 2 ) ? ( x 1 ? 1 ) 2 ? ( x 2 ? 2 ) 2 ? s . t . g ( x ) ? x ? x ? 2 ? 0 1 1 2 ? ? ? g 2 ( x ) ? ? x 1 ? 0 ? g ( x ) ? ? x ? 0 3 2 ? h ( x ) ? ? x ? x ? 1 ? 0 ? 1 1 2 ? 解： 由于全部函数都是连续可微的，所以应用以下 K-T 条件 * * * * * ? ? f ( x ) ? ? g ? j ? h 0 i ? i x ? j x ? ? i ? I j ? J ? * * ? 0 , i ? I ? i g i x ? ? * ? ? 0 , i ? I i ? ? ? ? ? ? ? ? ? ? 63 ? 首先写出原 MP 问题的 K-T 条件： ? 2 ( x 1 ? 1 ) ? ? 1 ? ? 2 ? ? 1 ? 0 ? 2 ( x ? 2 ) ? ? ? ? ? ? ? 0 2 1 3 1 ? ? ? 1 ( x 1 ? x 2 ? 2 ) ? 0 ? ? x ? 0 2 1 互补松紧条件 ? ? ? 3 x 2 ? 0 ? ? ? 1 , ? 2 , ? 3 ? 0 ? 根据定理 1,K-T 点还应该满足原问题的约束条件 ? x 1 ? x 2 ? 2 ? 0 ? ? ? x 1 ? 0 , ? x 2 ? 0 ? ? x ? x ? 1 ? 0 ? 1 2 64 ? 利用互补松紧条件，可以求出 K-T 点： 1 3 T x ? ( , ) 2 2 * ? 利用定理 2 ，由于全部函数都连续可微，并且 f 和 g 都是凸函数， h 是线性函数，所以 K-T 点就是整体最 优解。 65 4 、第四轮： t 2 =0.876, t 1 =0.708 ? ? ( t 1 ) ? ? 0 . 0611 ? ( t 2 ) ? ? 0 . 0798 b-t 1 =1.146-0.7080.5 t 1 t 2 0 1.416 t 输出： t * =t 2 =0.876 为最优解，最优值为 -0.0798 31 2 、 Newton 法 ? Newton 法基本思想： 用探索点 t k 处的二阶 Taylor 展开式近似代替目标 函数，以展开式的最小点为新的探索点。 ? ? 考虑 min ? ( t ), 其中 ? ( t ) 二次可微， ? ( t ) ? 0 1 2 ? ? ? 展开式： g ( t ) ? ( t ) ? ( t )( t ? t ) ? ( t )( t ? t ) k k k k k 2 g ( t ) 的最小点即导数为 0 的点 , 求导得 : ? ( ? t k ) t k t k ? ? 1 ? ? ? ( ? t k ) ? ? ? 32 ? 解题步骤： 给定初始点 t 1 和精度 ? 否 停止，输出 t 2 是 ? ( t 1 )| | ? ? | | ? 是 停止，输出 t 1 否 | t 2 ? t 1 | ? ? ? ? ? ( t ) ? 0 1 是 否 ? ( ? t ) 1 计算 t 2 ? t 1 ? ? ? ( ? t ) 1 停止，解题失败 33 ? 例： 解： 求解 min ? ( t ) ? arctan xdx ? 0 t 取 t 1 =1, 计算： 迭代过程如下表： 1 ? ? ? ? ( t ) ? arctan t , ? ( t ) ? 2 1 ? t k t k ? ? ( t k ) ? ? ? ( t k ) 1 2 3 4 1 0.7854 2 -0.5708 -0.5178 1.3258 0.1169 0.1163 1.137 -0.001061 前一页 后一页 退 34 出 3 、非精确一维搜索法 ? 数值方法的关键是从一个点迭代到下一个点。 ? 确定下一个点的关键是确定搜索方向和步长 ? 如果已经确定了搜索方向 p k , 则只要确定一个最佳 的步长即可。 ? 所谓的最佳步长即是在 p k 方向上走一个最好的长 度使得目标函数下降的最多，即下述的最优化问题： min f ( x ? tp ) t ? 0 k k ? 这样的最优化问题不需要太高的精度，只要满 足某些更宽松的精度要求即可。 ? 这样的搜索方法称之为 非精确一维搜索方法 35 ? Goldstein 法原理： y y ? ? ( t ) Y= ? (0)+ ? ′ (0)t Y= ? (0)+ m 1 ? ′ (0)t