优化设计的数学基础.docx

第二章优他设计的数学基础 优化设计中绝大多数是多变量有约束的非线性规划问题，即是求 解多变量非线性函数的极值问题。由此可见，优化设计是建立在多元 函数的极值理论基础上的，对于无约束优化问题为数学上的无条件极 值问题，而对于约束优化问题则为数学上的条件极值问题。本章主要 叙述与此相关的数学基础知识。 第■节函数的方向导数与梯度 一、函数的方向导数 一个二元函数F（X],%2）在点X°（才，剧处的偏导数，即函数沿坐 标轴方向的变化率定义为： 8心）二尸（磐+口,球）-/（诰卅） litn litn F（￡H+2）- Ax2 而沿空间任一方向S的变化率即方向导数为： TOC \o 1-5 \h \z 0F（刘）=Um F（时+口￡ + 2）-/（軒用） dS so p QF（X。） = ljm F（#+Ax”€+Ax2）— F（x；） OS 宀 o o Hm 尸（尢：，€）% 如 * ]曲 F（f + g+ 心2）一 F（才 + 山|,卅）* 如 Z Ax（ p Q-0 Ar2 p 5F（X°）dx2cosg 5F（X°） dx2 cosg 方向导数与偏导数之间的数量关系为 依此类推可知n维函数在空间一点 0（才，以…,￡）沿S 0（才，以…,￡）沿S方向的方向导数为 图2-1 图2-1二维空间中的方向 图2-2三维空间中的方向 COS] cos 3VF(X)=3F(X) 6F(X)dx COS] cos 3 VF(X)= 3F(X) 6F(X) dxy * dx2 二?函数的梯度 函数F（X）在某点X的方向导数表明函数沿某一方向S的变化率。 —般函数在某一确定点沿不同方向的变化率是不同的。为求得函数在 某点X的方向导数为最大的方向，引入梯度的概念。 仍以二元函数尸（“,七）为例进行讨论，将函数沿方向S的方向导 数写成如下形式 dF(X) dF(X) 鸟 dF{X) = COS 4 dS dx} dxz 称为F（xhx2）在点X处的梯度gradF（X）,而同时设S为单位向量 S = [cos$，cosJ 于是方向导数可写为: 卑孚-[VF(X)]r ? S - ||VF(X)|| ? 1^11 ? coS(VF(X),S) 此式表明，函数F（X）沿S方向的方向导数等于向量VF（X）在S 方向上的投影。且当cos（VF（X）,S）= l,即向量VF（X）与S的方向 相向时，向量VF（X）在S方向上的投影最大，其值为||VF（X^|.这 表明梯度VF（X）是函数F（X）在点X处方向导数最大的方向，也就是 导数变化率最大的方向。 上述梯度的定义和运算可以推广到〃维函数中去，即对于〃元函 防(X)dxx ，dx 防(X) dxx ，dx2 ▽F(X)= 由此可见，梯度是一个向量，梯度方向是函数具有最大变化率的 方向。即梯度VF（X）方向是函数F（X）的最速上升方向，而负梯度 -VF（X）方向则为函数F（X）的最速下降方向。 例2-1求二元函数F（X）= f才无2在点沿 S]=]—的方向导数。2 = S]= ]—的方向导数。 2 =兀/6 2=刃4和「 ~dF(Xy ~dF(Xy 71 解：VF（X）= dxx ar(x) — 亍1兀2 兀2 R」 ?如_ 将= 代入可得 VF(X)= 2 ,因此 n _4_ QF(X°)i as、6F(X°) QF(X°) i as、 6F(X°) = ^-cos—+ —cos— - 1.666 2 4 4 4 而 dF(XQ)兀 兀兀 兀 — = _cos_ + _cos?.L465 这说明同一函数在不同方向上的方向导数不同，其变化率也不同。 函数F(X)由X°出发，沿$方向的变化率大于沿S2方向的变化率。 所以，函数F(X)沿Si方向增长得较快。 第二节凸集、凸函数与凸规划 如果函数在整个可行域中有两个或两个以上的极值点，则称每一 个极值点为局部极值点。在整个可行域中，函数值最小的点为全域极 值点。为求得全域极值点，以获得最好的可行设计方案，就需要进一 步讨论局部最小点和全域最小点的关系，因而涉及到凸集、凸函数及 凸规划问题。 f凸集 设。为〃维欧氏空间内的一个集合，如果。内任意两点A4和￡ 的连线整个都包围在D内，即对于任意实数a ( 0?1 ),点 aX] +(l-a)X2 czD,则称这种集合为凸集，如图2?3a所示，否则 为非凸集，如图2-3b、c所示。凸集满足以下性质：若D是一个凸集, 2是一个实数，则集合;ID仍为凸集；若D与F均为凸集，则其和(或 并）还是凸集；任何一组凸集的积（或交）还是凸集。 a)b)c) a) b) c) 图2-4 图2-4凸函数的几何含义 图2-3凸集a）与非凸集b）、c） 二?凸函数 设D为矿中的一凸集，F（X）为定义在D上的一个函数，若对 于任意实数?