生产运筹--非线性规划的基本概念

x2 1
x2 1
这个方向上的单位向量是：
e
f x f x
4 2
42 22
2
5 1
5
5
5
例：试求目标函数 f x1, x2 3x12 4x1 x2 x22 在点x =[0,1]T
处的最速下降方向，并求沿这个方向移动一个单位长度后 新点的目标函数值。
解： 由于
e
f x f x
➢（2）简记形式： 引入向量函数符号：
h( x)(h1( x),,hq ( x))T g( x)( g1( x),,g p( x))T
X
x
Rn
gi hi
(x) (x)
0, 0,
i j
1,, 1,,
p q
min f ( x) s.t. gi ( x) 0, i 1,, p hi ( x) 0, j 1,, q
③最后画出目标函数等值线，
• 所以 最优解 x*=(4,1), 最优值 min f(x)=4.
4 梯度、Hesse矩阵、Jacobi阵
• (1) 二次函数
一般形式:
f
x1 ,
x2 ,,
xn
1 n
2 i1
n
gij xi x j
j 1
n
bi xi
i 1
c
矩阵形式:
f x 1 xT Ax bT x c
性质：设f(x) 在定义域内有连续偏导数，即有连续梯度， 则梯度有以下两个重要性质：
性质一 函数在某点的梯度不为零，则该梯度方向必与 过该点的等值面垂直;
性质二 梯度方向是函数具有最大变化率的方向（负梯 度方向也叫最速下降方向）。
例：试求目标函数 f x1, x2 3x12 4x1 x2 x22 在点 x =[0,1]T
处的最速下降方向，并求沿这个方向移动一个单位长度后 新点的目标函数值。
解： 由于
f x1 6 x1 4 x2 ,
f x2 4 x1 2 x2
则函数在 x =[0,1]T 处的最速下降方向是
P
f
x
f
x1 f
x2 x1 0
6 x1 4 x2
4 x1 2 x2
x1 0
4 2
则称f是S上的凸函数，或 f在S上是凸的。
若 f (x1 (1 )x2 ) f ( x1 ) (1 ) f ( x2 ),x1 , x2 S
则称f是S上的严格凸函数，或 f在S上是严格凸的。
若 f 是S上的(严格)凸函数，称f是S上的(严格) 凹函数 , 或f在S上是(严格 )凹的。
r x1 2 x2 2 2 2
而木梁长度无法改变，因此成本只与圆形 木材的横截面积有关。
目标函数为 约束条件为
min
s
r2
x12 4
x22 4
,
x1 H x12 x2 W x1 x2 x1 4 x2 x1, x2 0.
(高度不小于H ) (惯性矩不小于W) (高度介于宽度与
4 倍宽度之间） (高度与宽度非负)
3 非线性规划问题的图解法
例2： 用图解法求解 min f(x)=(x1 - 2)2 +(x2 - 2)2 s.t. h(x)= x1 + x2 - 6 ≤ 0
x2
6
最优解 x* = ( 2，2 )T
2
0
2
D可行域
最优级解即为最小圆的半径：
f(x)=(x1 - 2)2 +(x2 - 2)2 = 0
例 f ( x)|| x||其中xRn是凸函数
例 f ( x) T x ,其中 , xRn , R1即是凸的也是凹的。
例：正定二次函数 f ( x) 1 xT Ax bT x c, 2
其中A是正定矩阵， f(x)是凸函数。 参见P104例。
➢（2）凸函数的性质
性质1: 设S Rn是非空凸集
称f ( x* )是（MP）的局部最优值或局部 极小值
如果有 f ( x* ) f ( x)，x N ( x* ) X , x x* 称x*是（MP）的严格局部最优解或 严格局部极小点 f ( x* )是（MP）的严格局部最优值或 严格局部极小值。
3 非线性规划问题的图解法
对二维最优化问题，总可以用图解法求解，而对三维或高维问题， 已不便在平面上作图，此法失效。
2
f x 1 xT Ax, A对称 f ( x) Ax, 2 f ( x) A.
2
（4）Jacobi矩阵
• 向量变量值函数：g( x) ( g1( x), g2 ( x),, gn ( x))T x ( x1 , x2 ,, xn )T
• 向量变量值函数的导数：
g1 x0
gx0
min
mn
mn
zijdij
zij ( xi p j )2 ( yi q j )2 ,
i1 j1
i1 j1
约束条件为
（1）每个仓库向各市场提供的货物量之和不能超过它的
存储容量。
n
zij ai , i 1,2,, m
j 1
（2）每个市场从各仓库得到的货物量之和应等于它的
需要量。
m
zij bj , j 1,2,, n
x1
g2 x0
x1
g
m
x0
x1
g1 x0
x2
g2 x0
x2
gm x0
x2
向量值函数g(x)在点 x0处的Jacobi矩阵
g1
x0
x
g2
n
x0
xn
g
m
x0
xn
5 凸函数和凸规划
(1)凸函数：
定义 设S Rn是非空凸集，f : S R1,若对 （0，1）有 f (x1 (1 )x2 ) f ( x1 ) (1 ) f ( x2 ),x1 , x2 S
若x在X内，称x为MP的可行解或者可行点。
➢（5）最优解和极小点
定义: 对于非线性规划（MP），若 x* X ，并且有
f ( x* ) f ( x), x X
则称x*是（MP）的整体最优解或整体 极小点，
称f ( x* )是（MP）的整体最优值或整体 极小值。 如果有 f ( x* ) f ( x), x X , x x*
1 非线性规划问题举例
例一：选址问题
设有 n 个市场，第 j 个市场位置为( p j , q j ) ，它对某种货物的需要 量为 bj ( j 1,2,, n)。现计划建立 m 个仓库，第 i 个仓库的存储 容量为 ai (i 1,2,, m). 试确定仓库的位置，使各仓库对各市场的
运输量与路程乘积之和为最小。
.
3. f x xT x 则f x 2x
.
4. A对称矩阵。 f x xT Ax 则 f x 2Ax
（3）Hesse矩阵
多元函数 f(x) 关于x的二阶导数，称为 f(x)的Hesse矩阵.
2
f
x
x12
2
f
x
f
x
2 f x
x1x2
2
f
x
x1xn
2 f x
x2x1
2 f x
设第 i 个仓库的位置为 ( xi , yi ), i 1,2,, m, 第 i 个仓库到第 j 个市场的货物供应量为 zij (i 1,2,, m, j 1,2,, n). 则第 i 个
仓库到第 j 个市场的距离为
dij ( xi p j )2 ( yi q j )2 ,
目标函数为
4 2
42 22
2
5 1
5
5
5
新点是： x1
xe
0 1
2
5 1
5
5
5
1521
5
5
5
函数值：
f
x1
3 x12
4 x1 x2
x
2 2
|x1
26 5
2
5
• 几个常用的梯度公式：
1. f x C常数, 则f x 0. 即 C 0
2. f x bT x 则f x b
i 1
（3）运输量不能为负数
zij 0, i 1,2,, m, j 1,2,, n
例2. 木梁设计问题
把圆形木材加工成矩形横截面的木梁，要求木梁高度
不超过 H ，横截面的惯性矩（高度的平方 宽度）不小
于W ，而且高度介于宽度与4倍宽度之间。问如何确定木
梁尺寸可使木梁成本最小.
x1 x2
设矩形横截面的高度为 x1 ， 宽度 为 x2 ，则圆形木材的半径
(1)若f是S上的凸函数， 0，则 f是S上的凸函数；
(2)若f1, f2是S上的凸函数, f1 f2是S上的凸函数。 性质2: 设S Rn是非空凸集, f是凸函数,cR1,则集合
H S ( f ,c)xS | f ( x) c 是凸集。
证明:略.
➢ （3） 凸函数的判定 定理1：（一阶条件）
设S Rn是非空开凸集， f：S R1可微,则 （1）f是S上的凸函数
例1： 用图解法求解 min f(x)=(x1－2)2 +(x2－2)2 s.t. h(x)= x1 + x2 - 6 = 0
x2
6
可行解 x = ( 1.5，4.5 )T
最优解 x* = ( 3，3 )T
3 2
0
23
最优级解即为最小圆的半径：
f(x)=(x1－2)2 +(x2－2)2 = 2
6
x1
2 非线性规划问题的数学模型
➢（1）数学规划模型的一般形式：
min f ( x) s.t. gi ( x) 0, i 1,, p hi ( x) 0, j 1,,q