第五章（约束） 课件ppt电子教案.ppt

步骤 方法评价 优点： 对目标函数无性态要求； 收敛快（当m足够大时）； 不受维数影响，维数愈高，愈体现优点。 缺点： 对于严重非线性函数，只能得近似解； 当m不够大时，解的近似程度大； 对于非凸函数，有可能收敛于局部解。 在 n 维空间中，由 k≥n+1 个点组成的多面体称为复合形。 基本思想： 以一个较好的新点，代替原复合形中的最坏点，组成新的复合形，以不断的迭代，使新复合形逐渐逼近最优点。 说明： 复合形可用于约束优化的方法。 因为顶点数较多，所以灵活易变。 复合形只能解决不等式约束问题。 因为迭代过程始终在可行域内进行，运行结果可靠。 定义： 初始复合形的形成： 人工选择初始复合形： 随机产生初始复合形： 若可行域是非凸集，可能失败，需减小上、下界再进行。 顶点数： 复合形法的基本运算： 扩展： 收缩： 映射： 步骤： 步骤： 方法评价 计算简单，不必求导，占内存小； 随着维数的增加，效率大大下降； 不能解含等式约束的问题； 建议： ①　初始α取1.3。 ②　n+1≤ k ≤ 2n ，当 n ≤ 5 时，k 取值接近 2n ； 当 n > 5 时，k 的取值可小些。 在第 k +1 次迭代时，从 x(k) 点出发，寻找一个可行的搜索方向和合适的步长因子，从而得到一个可行、目标函数值下降的新点 x(k+1) ，再以此点出发，寻找新点，直至满足收敛条件，得到最优点 x* 。 α (k) 的选择原则： 使新点 x(k+1) 在可行域内。 S (k) 的选择原则： ① 必须是可行方向，即必须与所有适时约束的梯度方向成钝角。 ② 必须是目标函数值下降的方向，即必须与目标函数的负梯度方向成锐角。 同时满足以上两个条件的方向，称为适用可行方向。 搜索策略： 可根据目标函数和约束函数的不同性态，选择不同的搜索策略。 第一次搜索为负梯度方向，终止于边界。以后各次搜索方向均为适用可行方向，以最大步长从一个边界反弹到另一个边界，直至满足 K-T 条件。 第一次搜索为负梯度方向，终止于边界。第二次搜索沿适用可行方向作一维搜索以最优步长因子求得最优点。反复以上两步，直至得到最优点x*。 ① 边界反弹法： ② 最优步长法： 第一次搜索为负梯度方向，终止于边界。以后各次搜索贴边（约束面）进行。 若适时约束面是切面，每次搜索到约束面的交集时，移至另一个约束面，直至收敛到最优点。 若可行域是凸集，约束面是非线性时，从x(k)点沿切线（面）方向s(k) 搜索，会进入非可行域。 容差带δ： 建立约束面的容差带 +δ， 从 x (k)出发，沿s (k)方向搜索到 s (k) 方向与g(x) －δ=0 的交点x’后，再沿适时约束的负梯度方向返回约束面的 x(k+1)点。 ③　贴边搜索法： － 调整步长因子α1： 试算法 或 估算法 估算法： 将 g (x) 在 x’点台劳展开，取一阶近似式 代入上式，注意到 ，则得到 － r个适时约束的规格化平均负梯度向量，其各分量为： M为一常数，其取值应满足: θ为适用可行方向 的离界系数，通常取θ = 0.065~0.08可得较好的搜索方向 简化计算法 适用可行方向产生的方法 梯度投影法： 梯度投影搜索方向: 为待定常系数列阵 (起作用约束的法向量) (目标函数的负梯度向量) 适用可行方向产生的方法 * 其基本思想是把等式和不等式约束条件，经过适当定义的复合函数加到原目标函数上，从而取消了约束，转化为求解一系列无约束问题。根据惩罚函数在优化过程中迭代点是否为可行点，又分为内点法、外点法以及混和法三种。 * * * * * * * * * * * * * §5.1 引 言 §5.2 内点惩罚函数法 §5.3 外点惩罚函数法 §5.4 混合惩罚函数法 §5.5 随机方向搜索法 §5.6 复合形法 §5.7 可行方向法 第五章???约束问题的最优化方法 §5.1 引言 §5.2 内点惩罚函数法 §5.3 外点惩罚函数法 §5.4 混合惩罚函数法 §5.5 随机方向搜索法 §5.6 复合形法 §5.7 可行方向法 约束优化问题数学模型的一般形式为： 直接解法：随机方向搜索法、复合形法、可行方向法 间接解法：内点惩罚函数法、外点惩罚函数法、混合惩罚函数法 约束优化问题的求解方法： 直接解法 基本思想 合理选择初始点，确定搜索方向，以迭