管理运筹学课件-非线性规划.pptVIP

* * 2.4 凸函数的性质 设f (X)为定义在凸集R上的凸函数，则它的任一极小点就是它在R上的最小点（全局极小点）；而且它的极小点形成一个凸集。 设f (X)为定义在凸集R上的可微凸函数，若它存在点X*∈R，使得对于所有的X∈R有▽ f (X *)T (X- X*) ≥0，则X*是f (X)在R上的最小点（全局极小点）。 * * 2.5 函数凸性的判定 根据凸函数的定义进行判定； 根据一阶条件进行判定； 根据二阶条件进行判定； * * 一阶条件 设R为En上的开凸集， f (X)在R上具有一阶连续偏导数，则f (X)为R上的凸函数的充分必要条件是，对于属于R的任意两个不同点X(1)和X(2)恒有： * * 二阶条件 设R为En上的开凸集， f (X)在R上具有二阶连续偏导数，则 f (X)为R上的凸函数的充分必要条件是： f (X)的海赛矩阵H(X)在R上处处半正定（ ZTH(X)Z≥0 ）。 * * 3. 凸规划 凸规划的定义 下降迭代算法 * * 3.1 凸规划的定义 考虑非线性规划： 假定其中 f (X)为凸函数， g j (X)为凹函数（- g j (X)为凸函数），这样的非线性规划称为凸规划。 * * 3.1 凸规划的定义 凸规划： 可行域是凸集、局部最优即为全局最优；若为严格凸函数，最优解若存在必唯一。 * * 3.2 下降迭代算法 基本思想： 给定一个初始估计解X(0)，然后按某种规则（即算法）找出一个比X(0)更好的解X(1) ，如此递推即可得到一个解的序列{X(k) }，若这一解的序列有极限X* ，即 则称X*为最优解。 * * 3.2 下降迭代算法 基本问题： 递推步骤的有限性，一般说很难得到精确解，当满足所要求的精度时即可停止迭代而得到一个近似解。 * * 3.2 下降迭代算法 下降算法： 若产生的解序列{X(k) }能使目标函数f (X(k))逐步减少，就称此算法为下降算法。“下降”的要求很容易满足，因此它包括了很多具体的算法。 * * 3.2 下降迭代算法 若从 X (k)出发沿任何方向移动都不能使目标函数值下降，则 X (k)是一个局部极小点；若从 X (k)出发至少存在一个方向能使目标函数下降，则可选定某一下降方向 P (k) ，沿这一方向前进一步，得到下一个点 X (k+1) 。 沿P (k)方向前进一步相当于在射线 上选定新的点 ,其中P (k)为搜索方向， 为步长。 * * 3.2 下降迭代算法 确定搜索方向P (k)是关键的一步，各种算法的区别主要在于确定搜索方向P (k)的方法不同。 步长 的选定一般都是以使目标函数在搜索方向上下降最多为依据的，称为最佳步长，即沿射线 求目标函数的极小值 由于确定步长是通过求以 为变量的一元函数 的极小点来实现的，故称这一过程为一维搜索。 * * 4. 一维搜索 一维搜索即沿某一已知方向求目标函数的极小点，一维搜索的方法很多，在此只介绍斐波那契法和黄金分割法。 * * 4.1 斐波那契法 一维搜索过程是建立在一个被称为斐波那契数序列基础上的。斐波那契数序列是具有如下递推关系的无穷序列： F0=F1=1 Fn=Fn-1+Fn-2，n =2,3, … n 0 1 2 3 4 5 6 7 8 Fn 1 1 2 3 5 8 13 21 34 * * 4.1 斐波那契法 斐波那契法成功地实现了单峰函数极值范围的缩减。 设某一单峰函数在[a, b]上有一极小点 x*，在此区间内任意取两点a1和b1 ，使a1b1 ，计算其函数值可能出现以下两种情况： (1) f (a1) ＜ f (b1)，如图(1)所示；此时极小点x*必在期间[a, b1]内。 (2) f (a1) ≥ f (b1)，如图(2)所示；此时极小点x*必在期间[a1, b]内。 * * 4.1 斐波那契法 f (x) o a a1 x* b1 b x 图(1) * * 4.1 斐波那契法 f (x) o a a1 x* b1 b x 图(2) * * * * * 非线性规划问题及其数学模型 极值问题 凸规划 一维搜索 无约束极值问题 约束极值问题 * * 1. 非线性规划问题及其数学模型 非线性规划问题举例： Example