无约束优化方法课件.pptxVIP

第1章所列举的机械优化设计问题，都是在一定的限制条件下追求某一指标为最小，它们都属于约束优化问题。工程问题大都如此。 为什么要研究无约束优化问题 ??? (1)、有些实际问题，其数学模型本身就是一个 无约束优化问题 (2)、通过熟悉它的解法可以为研究约束优化问 题打下良好的基础 (3)、约束优化问题的求解可以通过一系列无约 束优化方法来达到。所以无约束优化问题的 解法是优化设计方法的基本组成部分，也是 优化方法的基础 ;无约束优化问题是： 求n维设计变量 使目标函数： ;无约束优化方法算法的基本过程是:;4.1 梯度法; 根据一元函数极值的必要条件和多元复合函数求导公式，得 ;;例4－1 求目标函数 的极小点。 解 取初始点 则初始点处函数值及梯度分别为 ;算出一维搜索最佳步长 ;这一问题的目标函数f(x)的等值线为一簇椭圆。;β;经变换后，只需一次迭代，就可找到最优解。;梯度法的特点:;4.2 牛顿法及其改进;;经过一次迭代即求得极小点 ， 函数极小值 。; 阻尼牛顿法称序框图 ; 牛顿法和阻尼牛顿法统称为牛顿型方法。这类方法的主要缺点是每次迭代都要计算函数的二阶导数矩阵，并对该矩阵求逆。这样工作量很大。特别是矩阵求逆，当维数高时工作量更大 。 ;一般迭代式：;4.3 变尺度法;消除了函数的偏心，用最速下降法只需一次迭代即可求得极小点。;;进行尺度变换;牛顿迭代公式：;在例4－2中;求得：;2、构造尺度矩阵Ak;2）BFGS算法(Broyden-Fletcher-Gold frob-Shanno );;例4-3： 用DFP算法求下列问题的极值：;沿d0方向进行一维搜索，得 ;;;为一维搜索最佳步长，应满足 ;梯度为零向量,海赛矩阵正定。可见点满足极值充要条件，因此为极小点。 ;DFP变尺度法的几点说明:;4.4 共轭方向法 ;α0d0;如果能够选定这样的搜索方向，那么对于二元二次函数只需顺次进行d0、d1两次直线搜索就可以求到极小点x* ，即有 ; 就是使d1直指极小点x* ， d1所必须满足的条件 。;;3.共轭梯度法;则：;将式;，已知初始点[1,1]T;得:;得;4.5 鲍威尔方法;梯度和等值面相垂直的性质, dj和 xk, xk+1两点处的梯度gk,gk+1之间存在关系: ;2.基本算法;; 把二维情况的基本算法扩展到n维，则鲍威尔基本算法的要点是： 在每一轮迭代中总有一个始点（第一轮的始点是任选的初始点）和n个线性独立的搜索方向。从始点出发顺次沿n个方向作一维搜索得一终点，由始点和终点决定了一个新的搜索方向。 用这个方向替换原来n个方向中的一个，于是形成新的搜索方向组。替换的原则是去掉原方向组的第一个方向而将新方向排在原方向的最后。此外规定，从这一轮的搜索终点出发沿新的搜索方向作一维搜索而得到的极小点，作为下一轮迭代的始点。这样就形成算法的循环。 ; 因为在迭代中的n个搜索方向有时会变成线性相关而不能形成共轭方向。这时张不成n维空间，可能求不到极小点，所以上述基本算法有待改进。 ;为此，要解决两个关键问题： （1）dk＋1是否较好？是否应该进入新的方向组？即方向组是否进行更新？ （2）如果应该更新方向组， dk＋1不一定替换方向 ，而是有选择地替换某一方向 。;则在循环中函数下降最多的第m次迭代是; 这样重复迭代的结果，后面加进去的向量都彼此对G共轭，经n轮迭代即可得到一个由n个共轭方向所组成的方向组。对于二次函次，最多n次就可找到极小点，而对一般函数，往往要超过n次才能找到极小点（这里“n”表示设计空间的维数）。 ;例4-5 用改进的鲍威尔法求目标函数 的最优解。已知初始点[1,1]T，迭代精度;以 为起点，沿第二坐标轴方向 e2 进行一维搜索;;由于满足Powell条件，则淘汰函数值下降量最大的方向e1，下一轮的基本方向组为e2， 。 ;（2）第2轮迭代计算;反射点及其函数值 ;检验终止条件 ; 实际上，前两轮迭代的 ， 为共轭方向，由于本例目标函数是二次函数，按共轭方向的二次收敛性，故前两轮的结果就是问题的最优解，但每一轮迭代都需要进行n+1次迭代。 ;表2 无约束优化方法搜索方向之间的相互联系