约束问题的线性化方法.pptVIP

例：可行方向算法 第二十九页，共四十九页，2022年，8月28日 例：可行方向算法 第三十页，共四十九页，2022年，8月28日 例：可行方向算法 … 第三十一页，共四十九页，2022年，8月28日 可行方向算法修正 ε微扰法 Topkis–Veinott方法 第三十二页，共四十九页，2022年，8月28日 11.3.2单纯形方法推广 单纯形方法回顾 约束标准型： 基本解： 相对收益： 基本变量的 选取与替换： 新的可行基本解： 最优化准则： 所有非基本变量的相对收益大于或等于0 第三十三页，共四十九页，2022年，8月28日 单纯形方法推广到线性约束问题：凸单纯形方法 相对收益： 最优化准则： 最优解可能不在顶点，非基本变量可能不为0 约束标准型： 基本解： 相对收益： 最优化准则： 线性搜索 第三十四页，共四十九页，2022年，8月28日 凸单纯形算法 第三十五页，共四十九页，2022年，8月28日 凸单纯形算法 第三十六页，共四十九页，2022年，8月28日 11.3.3既约(Reduced)梯度方法 类似于无约束优化的梯度算法（Cauchy算法）。搜索方向d 为梯度的负方向 约化梯度为 ，即凸单纯形算法中非基本量的相对收益。可以证明，它实际上是在约束条件(m个)下的以非基本变量为独立变量(n-m)的梯度： 称为约化梯度，是在非基本变量子空间中的梯度