约束优化设计的直接解法.pptxVIP

约束优化设计的直接解法;2、要求可行域是有界的非空集,即在有界可行域内存在满足全部约束条件的点,且目标函数f(X)有定义。 3、由于整个求解过程在可行域内进行,且是下降,可行的,因此迭代计算不论何时终止,都能够获得一个比初始点好的设计点。 具体的方法:随机试验法,随机方向探究法,复合形法,可行方向法,可变容差法,简约梯度法及广义简约梯度法,线性逼近法等、;二、间接解法 1、基本思想 是依照一定的原则构造一个包含原目标函数和约束条件的新目标函数,即使约束最优化问题的求解转换??无约束最优化问题求解。 2、适用范围 关于不等式约束问题和等式约束问题均有效。 惩罚函数法是比较有代表性的方法。;§5、2 随机方向探究法 约束随机方向搜索法是在可行域内利用随机产生的可行方向进行搜索的一种直截了当解法。 一、基本原理 1、基本思想 关键是如何确定初 始点、搜索方向和 搜索步长,而这些 都需要涉及随机数 问题;2、随机数的产生 1)先给出一个随机数 式中Z为任一整数。 2)产生随机数列;3)得[0,1]区间内的伪随机数列{ri} ;3、初始点的选择 约束随机方向搜索法的初始点X(0)必须是一个可行点,即满足全部约束条件 (1)决定性的方法 当约束条件比较简单时,可在可行域内人为地确定一个可行的初始点。;(2)随机选择方法 1)输入设计变量估计的上限值和下限值 2)在区间[0,1]内产生n个伪随机数ri 3)计算随机点X的各个分量 4)判断X是否可行,可行则取为初始点X(0)=X, 否则,转2),重新计算,直至可行。;4、随机搜索方向的产生 随机搜索方向是从N个随机方向中,选取一个较好的方向,通常N≥n,同时N一般取500,1000,10000等数,以二维为例: 1)在区间内产生N个随机单位向量 a)若r以弧度角计,ri为在[0,2π]内均匀分布的伪随机数,就能够产生N个随机单位向量 b)若以直角坐标计,rij为[-1,1]区间内均匀分布的伪随机数,(i=1,2;j=1,2,…、N)就可产生;N个随机单位向量 推广至n维问题 ;2)取试验步长H0, 计算N个随机点 ;3)选出函数值最小的随机点 检验N个随机点,除去非可行点,计算余下的点,找出函数值最小的点,即 4)确定可行搜索方向 比较X(L)与X(0)两点的目标函数值的大小 若f(X(L))f(X(0)),则取可行方向S= f(X(L))-f(X(0)) 若f(X(L))≥f(X(0)),则缩小H0,转至第二步,重新;计算,直至f(X(L))f(X(0))为止; 若H0缩小到特别小(如≤10-6),仍找不到一个X(L)使f(X(L))f(X(0)),则说明X(0)是一个局部极小点,则更换初始点,再转至第一步,重新开始。 综上所述,产生可行搜索方向的条件为:;5、搜索 步长的确定 1)定步长:即步长是定长的,只要所得新点的目标函数值是下降的且满足约束条件,就接着以定步长前进,直至违背了约束条件或目标函数的下降性条件时为止,因此迭代点由起始点移到新点。 2)变步长法:即步长按一定的倍增系数等比递增或递减。例如以1、3倍递增,那么每次向前的移动步长为前一次的1、3倍;二、计算步骤;三、随机方向法的特点 1、对目标函数的性态 无特别要求 2、程序结构简单,使 用方便 3、由于搜索方向是从 许多方向中选择出目 标函数值下降最好的方向,再加上随机变更步长,因此收敛速度比较快 4、计算精度较低;;;;;;;5、4 约束优化设计的复合形法;5、4、1 复合形法的基本原理 5、4、1、1 搜索方向的确定 ;5、4、1、2 步长因子的确定 首先沿最坏点的映射方向选取映射点 假如该方向不能满足要求,就只能改用次坏点 的映射方向了。;变形的措施 1、扩展 ;2、收缩 假如中心点以为找不到好的映射点,还能够到中心点内寻找,即向中心点以内收缩,按下式计算 ;3、重构 若采取上述措施均无效,还能够采取向最好点靠拢的措施,即 ;5·4·2 初始复合形的构成 由于复合形是一种在可行域内直截了当求优的方法,因此要求第一个复合形就必须在可行域内生成。 A 给定n个初始顶点 由设计者预先选择n个设计方案,即人工构造一个初始复合形。;B 给定一个初始顶点,随机产生其它顶点 如此随机产生的n-1个顶点,尽管能够满足边界约束条件,但不一定能满足性能约束条件,还必须逐个进行检查,把不满足约束条件的顶点移到可行域内。 ; 设已有q个顶点满足全部约束条件,先求出q个顶点的中心点 然后将不满足约束条件的点向中心点靠拢,即 事实上,只要可行域是凸集,其中心点必为可行点,因而用上述方法能够成功地在可行域内构成初始复合形。假如可行域为非凸集那就有失败的估计,当中心点处于可行域之外时,就