数值分析_第5章_约束问题的最优化方法.pptVIP

五.步骤：六.方法评价：在用直接法解决约束优化问题时，复合形法是一种效果较好的方法。

这种方法不需要计算目标函数的导数，也不进行一维搜索，因此对目标函数和约束函数无特殊要求，适用范围广，编程简单。但是收敛速度较慢，不能用于解决具有等式约束的优化问题。建议：①初始α取1.3。②n+1≤k≤2n，当n≤5时，k取值接近2n；当n5时，k的取值可小些。§4.7可行方向法一.基本思想：在第k+1次迭代时，从x(k)点出发，寻找一个可行的搜索方向和合适的步长因子，从而得到一个可行、目标函数值下降的新点x(k+1)，再以此点出发，寻找新点，直至满足收敛条件，得到最优点x*。α(k)的选择原则：使新点x(k+1)在可行域内。S(k)的选择原则：①必须是可行方向，即必须与所有适时约束的梯度方向成钝角。②必须是目标函数值下降的方向，即必须与目标函数的负梯度方向成锐角。同时满足以上两个条件的方向，称为适用可行方向。二.搜索策略：可根据目标函数和约束函数的不同性态，选择不同的搜索策略。①边界反弹法：第一次搜索为负梯度方向，终止于边界。以后各次搜索方向均为适用可行方向，以最大步长从一个边界反弹到另一个边界，直至满足K-T条件。②最优步长法：第一次搜索为负梯度方向，终止于边界。第二次搜索沿适用可行方向作一维搜索以最优步长因子求得最优点。反复以上两步，直至得到最优点x*。③贴边搜索法：第一次搜索为负梯度方向，终止于边界。以后各次搜索贴边（约束面）进行。若适时约束面是切面，每次搜索到约束面的交集时，移至另一个约束面，直至收敛到最优点。若可行域是凸集，约束面是非线性时，从x(k)点沿切线（面）方向s(k)搜索，会进入非可行域。§4.2内点惩罚函数法（障碍函数法）一.基本思想：内点法将新目标函数Φ(x,r)构筑在可行域D内，随着惩罚因子r(k)的不断递减，生成一系列新目标函数Φ(xk,r(k))，在可行域内逐步迭代，产生的极值点xk*(r(k))序列从可行域内部趋向原目标函数的约束最优点x*。内点法只能用来求解具有不等式约束的优化问题。二.惩罚函数的形式：其中：惩罚（加权）因子降低系数c：0c1例：用内点法求的约束最优解。解:首先构造内点惩罚函数:用解析法求函数的极小值，运用极值条件：联立求解得：时不满足约束条件应舍去。无约束极值点为：当内点法的迭代过程在可行域内进行，“障碍项”的作用是阻止迭代点越出可行域。三.步骤：选取合适的初始点x(0)，以及r(0)、c、计算精度ε1、ε2，令k=0；2.构造惩罚（新目标）函数；3.调用无约束优化方法，求新目标函数的最优解xk*和Φ(xk,r(k))；4.判断是否收敛：运用终止准则①②若均满足，停止迭代，有约束优化问题的最优点为x*=xk*；若有一个准则不满足，则令并转入第3步，继续计算。四.几个参数的选择：2.惩罚因子初始值r(0)的选择：1.初始点x(0)的选择：要求：①在可行域内；②不要离约束边界太近。如太靠近某一约束边界，构造的惩罚函数可能由于障碍项的值很大而变得畸形，使求解无约束优化问题发生困难.方法：①人工估算，需要校核可行性；②计算机随机产生，也需校核可行性。惩罚因子的初值应适当，否则会影响迭代计算的正常进行。一般而言，太大，将增加迭代次数；太小，会使惩罚函数的性态变坏，甚至难以收敛到极值点。对于不同的问题，都要经过多次试算，才能决定一个适当r0。3.降低系数c的选择：在构造序列惩罚函数时，惩罚因子r