第三章（基本概念）.pptVIP

§3.1 优化设计的数学基础 §3.2 优化设计的最优解及获得最优解的条件 §3.3 优化设计的数值迭代法及其收敛条件 第三章???优化问题的基本概念和理论 §3.1 优化设计的数学基础 §3.2 优化设计的最优解及获得最优解的条件 §3.3 优化设计问题的数值迭代法及其收敛条件 一. 等值（线）面： 对于可计算的函数 f(x)，给定一个设计点 X(k)(x1(k),x2(k), …,xn (k))，f(x)总有一个定值c 与之对应；而当f(x)取定值 c 时，则有无限多个设计点X(i)(x1(i), x2(i), …,xn(i) ) （i=1,2, … ）与之对应，这些点集构成一个曲面，称为等值面。 当 c 取c1,c2, …等值时，就获得一族曲面族，称为等值面族。 当f(x)是二维时，获得一族等值线族； 当f(x)是三维时，获得一族等值面族； 当f(x)大于三维时，获得一族超等值面族。 一. 等值（线）面： 等值线的形状： 同心圆族、椭圆族，近似椭圆族； 等值线的疏密： 沿等值线密的方向，函数值变化快； 沿等值线疏的方向，函数值变化慢。 等值线的疏密定性反应函数值变化率。 严重非线性函数——病态函数的等值线族是严重偏心和扭曲、分布疏密严重不一的曲线族。 方向导数： 二维问题中，f (x1,x2 ) 在 X(0) 点沿方向 s的方向导数为： 为 x(0)点的梯度。 s方向的单位向量 为 S 的方向角, 方向导数 为方向余弦。 为梯度 在方向 s 上的投影。 二. 梯度 二. 梯度 对于 n 维问题的梯度 二. 梯度 梯度的性质： ① 梯度是 x(0)点处最大的方向导数； ② 梯度的方向是过点的等值线的法线方向； ③ 梯度是x (0) 点处的局部性质； ④ 梯度指向函数变化率最大的方向； ⑤ 正梯度方向是函数值最速上升的方向， 负梯度方向是函数值最速下降的方向。 n 维函数 f(x) 在 x(k) 点的台劳展开式，取二次近似函数: Δ x (k) =[Δx1 (k) , Δx2 (k) ,…, Δxn (k) ]T 梯度 Hesse 矩阵 三. 函数的局部近似与Hesse 矩阵 三. Hesse 矩阵与正定 Hesse 矩阵的特性：是实对称矩阵。 矩阵正定的充要条件： 各阶主子式 A＞0 当主子式 A≥0 时，矩阵半正定 A<0(负正相间)时，矩阵负定 A≤0 时，矩阵半负定 Hesse 矩阵的正定性： H(x*)正定， 是 x* 为全局极小值点的充分条件； H(x*)半正定, 是 x* 为局部极小值点的充分条件； H(x*)负定， 是 x* 为全局极大值点的充分条件； H(x*)半负定, 是 x* 为局部极大值点的充分条件。 正定的二次函数：曲面为椭圆抛物面； 等值线族为椭圆曲线族，椭圆中心为极小值点。 凸集： 设 为欧氏空间Rn 中X的集合，即 ∈Rn, X∈ ，若 域内任意两个点x(1),x(2)的连线上的各点都属于 域，则集合 称为 Rn 内的一个凸集。否则，为非凸集。 凸函数： f(x)是定义在 n 维欧氏空间中，凸集上的函数，同时x(1) ∈ ， x(2) ∈ ，ξ∈[0,1]，当下式成立时， 则称f(x)为定义在凸集 上的凸函数。 f [ξx (1) +(1-ξ) x(2) ]≤ξf(x(1)) +(1-ξ) f(x(2) ) 当上式中的“≤”为 “＜”时， f(x)是严格凸函数。 四. 函数的凸性 四. 函数的凸性 判别函数为凸函数的凸性条件： 按梯度判断凸性：设f(x)是定义在凸集 上具有连续一阶导数的函数，则f(x)在 上为凸函数的充要条件是：对于任意的 x(1),x(2)∈ 都有 成立。 按二阶偏导数判断凸性：设 f(x) 是定义在凸集 上具有连续二阶导数的函数，则f(x)在 上为凸函数的充要条件是： f(x)的Hesse矩阵处处半正定。若Hesse矩阵处处正定，则f(x)为严格凸函数。 凸函数的基本性质： 若 f(x)是定义在凸集 上的严格凸函数，则f(x)在 上的一个极小点，也就是全局最小点。 凸函数的线性组合仍然为凸函数。 设 为凸函数 f(x)上的两个最小点，则其