机械优化设计无约束优化方法2讲课文档.pptVIP

（1）（2）?（3）若（2）；否则，转（4）否则转（6）否则，令（6）否则，，转（2）（5）（4）转（5）；第27页，共38页。第1页，共38页。（优选）机械优化设计无约束优化方法第2页，共38页。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。第3页，共38页。（4）对于多维无约束问题来说，古典极值理论中令一阶导数为零，但要求二阶可微，且要判断海赛矩阵为正定才能求得极小点，这种方法有理论意义，但无实用价值。和一维问题一样，若多元函数F(X)不可微，亦无法求解。但古典极值理论是无约束优化方法发展的基础。第4页，共38页。目前已研究出很多种无约束优化方法，它们的主要不同点在于构造搜索方向上的差别。（1）间接法——要使用导数，如梯度法、（阻尼）牛顿法、变尺度法、共轭梯度法等。（2）直接法——不使用导数信息，如坐标轮换法、鲍威尔法、单纯形法等。无约束优化问题是：求n维设计变量使目标函数第5页，共38页。搜索方向的构成问题乃是无约束优化方法的关键。用直接法寻找极小点时，不必求函数的导数，只要计算目标函数值。这类方法较适用于解决变量个数较少的（n≤20）问题，一般情况下比间接法效率低。间接法除要计算目标函数值外，还要计算目标函数的梯度，有的还要计算其海赛矩阵。第6页，共38页。4-1梯度法基本思想：函数的负梯度方向是函数值在该点下降最快的方向。将n维问题转化为一系列沿负梯度方向用一维搜索方法寻优的问题，利用负梯度作为搜索方向，故称最速下降法或梯度法。搜索方向s取该点的负梯度方向(最速下降方向)，使函数值在该点附近的范围内下降最快。第7页，共38页。为了使目标函数值沿搜索方向能够获得最大的下降值，其步长因子应取一维搜索的最佳步长。即有根据一元函数极值的必要条件和多元复合函数求导公式，得第8页，共38页。在最速下降法中，相邻两个迭代点上的函数梯度相互垂直。而搜索方向就是负梯度方向，因此相邻两个搜索方向互相垂直。这就是说在迭代点向函数极小点靠近的过程，走的是曲折的路线。形成“之”字形的锯齿现象，而且越接近极小点锯齿越细。图4-2最速下降法的搜索路径第9页，共38页。第10页，共38页。方法特点（1）初始点可任选，每次迭代计算量小，存储量少，程序简短。即使从一个不好的初始点出发，开始的几步迭代，目标函数值下降很快，然后慢慢逼近局部极小点。（2）任意相邻两点的搜索方向是正交的，它的迭代路径为绕道逼近极小点。当迭代点接近极小点时，步长变得很小，越走越慢。第11页，共38页。sk第12页，共38页。沿负梯度方向进行一维搜索，有为一维搜索最佳步长，应满足极值必要条件例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第13页，共38页。算出一维搜索最佳步长第一次迭代设计点位置和函数值继续作下去，经10次迭代后，得到最优解第14页，共38页。这个问题的目标函数的等值线为一簇椭圆,迭代点从走的是一段锯齿形路线，见图4-3。11图4-3第15页，共38页。将上例中目标函数引入变换其等值线由椭圆变成一簇同心圆。仍从即出发进行最速下降法寻优。此时：沿负梯度方向进行一维搜索：则函数f(X)变为：y1=x1,y2=5x2第16页，共38页。β为一维搜索最佳步长，可由极值条件：由从而算得一步计算后设计点的位置及其目标函数：第17页，共38页。经变换后，只需一次迭代，就可找到最优解。这是因为经过尺度变换：等值线由椭圆变成圆。第18页，共38页。梯度法的特点（1）理论明确，程序简单，对初始点要求不严格。（2）对一般函数而言，