运筹学 第七章 非线性规划的基本概念和基本原理
非线性规划
非线性规划非线性规划是一种涉及非线性目标函数和/或非线性约束条件的优化问题。
与线性规划不同，非线性规划可能存在多个局部最优解，而不是全局最优解。
非线性规划在许多领域都有广泛的应用，如经济学、工程学和管理学等。
非线性规划的一般形式可以表示为：最小化或最大化 f(x)，其中 f(x) 是一个非线性函数，x 是决策变量向量。
满足一组约束条件g(x) ≤ 0 和 h(x) = 0，其中 g(x) 和 h(x) 是非线性函数。
为了求解非线性规划问题，可以使用不同的优化算法，如梯度下降法、牛顿法和拟牛顿法等。
这些算法的目标是找到目标函数的最小值或最大值，并满足约束条件。
非线性规划的难点在于寻找全局最优解。
由于非线性函数的复杂性，这些问题通常很难解析地求解。
因此，常常使用迭代算法来逼近最优解。
非线性规划的一个重要应用是在经济学中的生产计划问题。
生产活动通常受到多个因素的限制，如生产能力、原材料和劳动力等。
非线性规划可以帮助确定最佳的生产数量，以最大化利润或最小化成本。
另一个应用是在工程学中的优化设计问题。
例如，优化某个结构的形状、尺寸和材料以满足一组要求。
非线性规划可以帮助找到最佳设计方案，以最大程度地提高性能。
在管理学中，非线性规划可以用于资源分配和风险管理问题。
例如，优化一个公司的广告预算，以最大程度地提高销售额。
非线性规划可以考虑多种因素，如广告投入和市场需求，以找到最佳的广告投放策略。
总之，非线性规划是一种重要的优化方法，用于解决涉及非线性目标函数和约束条件的问题。
它在经济学、工程学和管理学等领域有广泛的应用。
尽管非线性规划的求解难度较大，但通过合适的优化算法，可以找到最佳的解决方案。
运筹学中的非线性规划问题-教案
教案运筹学中的非线性规划问题-教案一、引言1.1非线性规划的基本概念1.1.1定义：非线性规划是运筹学的一个分支，研究在一组约束条件下，寻找某个非线性函数的最优解。
1.1.2应用领域：广泛应用于经济学、工程学、管理学等，如资源分配、生产计划、投资组合等。
1.1.3发展历程：从20世纪40年代开始发展，经历了从理论到应用的转变，现在已成为解决实际问题的有效工具。
1.1.4教学目标：使学生理解非线性规划的基本理论和方法，能够解决简单的非线性规划问题。
1.2非线性规划的重要性1.2.1解决实际问题：非线性规划能够处理现实中存在的非线性关系，更贴近实际问题的本质。
1.2.2提高决策效率：通过优化算法，非线性规划可以在较短的时间内找到最优解，提高决策效率。
1.2.3促进学科交叉：非线性规划涉及到数学、计算机科学、经济学等多个学科，促进了学科之间的交叉和融合。
1.2.4教学目标：使学生认识到非线性规划在实际应用中的重要性，激发学生的学习兴趣。
1.3教学方法和手段1.3.1理论教学：通过讲解非线性规划的基本理论和方法，使学生掌握非线性规划的基本概念和解题思路。
1.3.2实践教学：通过案例分析、上机实验等方式，让学生动手解决实际问题，提高学生的实践能力。
1.3.3讨论式教学：鼓励学生提问、发表观点，培养学生的批判性思维和创新能力。
1.3.4教学目标：通过多种教学方法和手段，使学生全面掌握非线性规划的理论和实践，提高学生的综合素质。
二、知识点讲解2.1非线性规划的基本理论2.1.1最优性条件：介绍非线性规划的最优性条件，如一阶必要条件、二阶必要条件等。
2.1.2凸函数和凸集：讲解凸函数和凸集的定义及其在非线性规划中的应用。
2.1.3拉格朗日乘子法：介绍拉格朗日乘子法的原理和步骤，以及其在解决约束非线性规划问题中的应用。
2.1.4教学目标：使学生掌握非线性规划的基本理论，为后续的学习打下坚实的基础。
2.2非线性规划的求解方法2.2.1梯度法：讲解梯度法的原理和步骤，以及其在求解无约束非线性规划问题中的应用。
第七章 非线性规划 运筹学
7
非线性规划方法概述
定义 4.1.3 设 f : R n R, x R n , p R n , p 0 ，若存在 f ( x tp) f f(x)在点 x 处的下降方向。
0
，使
定义 4.1.4 设 X R n , x X , p R n , p 0 ，若存在 t 0 ，使
(MP)
约束集
如果(MP)的约束集X是凸集，目标函数f是 X上的凸函数，则(MP)叫做非线性凸规划， 或简称为凸规划。
15
定理 4.2.5 对于非线性规划(MP)，若 g i ( x ), i 1,..., p 皆为 R n 上的凸函数， h j ( x ), j 1,...,q 皆为线性函数， 并且 f 是 X 上的凸函数，则(MP)是凸规划。
1
13
定理 4.2.4 设 S R n 是非空开凸集， f : S R 二阶连续可导，则 f 是 S 上的凸函数的充要条件是 f 的 Hesse 矩阵 2 f ( x ) 在 S 上是半正定的。 当 2 f ( x ) 在 S 上是正定矩阵时，f 是 S 上的严格凸函数。 （注意：该逆命题不成立。） 2 f ( x) 2 f ( x) 2 f ( x) .... 2 x 1 x 1 x 2 x 1 x n 2 2 f ( x) f ( x) 2 f ( x) ... 2 x x x 2 x 2 x n 2 f ( x) 2 1 . . . . 2 f ( x) 2 f ( x) 2 f ( x) 2 x n x 1 x n x 2 x n
k : k 1 ，转第 2 步。
19
§3 无约束最优化方法
生产运筹非线性规划的基本概念
生产运筹非线性规划的基本概念引言生产运筹是一种管理技术，通过运用经济原理和数学模型，来解决实际生产和运输中的各种问题。
非线性规划是生产运筹中的一种重要工具，可以用于优化生产过程中的决策问题。
本文将介绍生产运筹非线性规划的基本概念。
非线性规划的定义非线性规划是一类优化问题，其中目标函数和约束条件都是非线性的。
一般来说，非线性规划的目标是找到一组决策变量的取值，使得目标函数达到最大或最小值，同时满足一系列约束条件。
非线性规划的基本要素非线性规划包含以下几个基本要素：1. 决策变量决策变量是非线性规划中的可调整参数，用于描述决策者所要做的选择。
在生产运筹中，决策变量可以是产品的产量、投入资源的数量或者是生产过程中的各种参数。
2. 目标函数目标函数是非线性规划中要优化的函数，可以是生产成本、利润、产量或其他决策者关心的指标。
在非线性规划中，目标函数的形式可以是任意的非线性函数。
3. 约束条件约束条件描述了决策变量的取值范围或者彼此之间的关系。
约束条件可以是等式约束或者不等式约束。
在生产运筹中，约束条件可以包括物料的平衡方程、设备的容量限制等。
4. 可行域可行域是指满足约束条件的所有决策变量取值的集合。
在非线性规划中，决策变量的取值必须落在可行域内，才被认为是合理的解。
5. 优化算法非线性规划的求解过程需要使用优化算法来搜索最优解。
常用的优化算法包括梯度下降法、牛顿法、拟牛顿法等。
生产运筹非线性规划的应用生产运筹非线性规划的应用非常广泛，涵盖了生产计划、资源分配、供应链优化等领域。
以下是一些非线性规划在生产运筹中的应用案例：1.生产计划优化：通过优化决策变量，如产量、物料分配等，来最大化产量、最小化成本或缩短生产周期。
2.设备选择优化：通过优化设备的选择和使用策略，来最大化产量、降低能耗或最小化故障率。
3.供应链优化：通过优化物流和分配的决策变量，如运输路线、库存水平等，来最小化供应链成本或缩短物流时间。
非线性规划在运筹学中的理论与实践
非线性规划在运筹学中的理论与实践非线性规划是数学规划中的一个重要分支，它在运筹学中具有广泛的应用。
本文将从理论与实践两个方面讨论非线性规划在运筹学中的作用。
一、非线性规划的理论基础非线性规划是研究目标函数和约束条件都为非线性函数的优化问题。
在运筹学中，非线性规划的理论基础主要包括两个方面：一是非线性函数的性质和优化方法；二是约束条件的处理和求解。
1. 非线性函数的性质和优化方法非线性函数具有丰富的性质，如凸性、可导性、二次性等。
这些性质为非线性规划问题的解决提供了理论基础。
在优化方法方面，常用的非线性规划算法包括梯度法、牛顿法、拟牛顿法等。
这些算法可以根据问题的特点选择合适的方法来求解。
2. 约束条件的处理和求解与线性规划相比，非线性规划的约束条件更加复杂。
一般来说，约束条件可以分为等式约束和不等式约束。
等式约束可以通过拉格朗日乘子法进行处理，而不等式约束则可以通过KKT条件来求解。
此外，还可以采用罚函数法、投影法等方法来处理约束条件。
二、非线性规划在运筹学中的实践应用非线性规划在运筹学中有着广泛的实践应用，涉及到生产计划、物流优化、资源配置等方面。
1. 生产计划中的非线性规划在生产计划中，考虑到生产成本、销售需求以及资源限制等因素，常常需要对生产计划进行优化。
非线性规划方法可以帮助实现最小化生产成本、最大化利润等目标。
例如，在汽车制造领域，可以利用非线性规划方法优化生产线的布局，提高生产效率。
2. 物流优化中的非线性规划物流优化是运筹学的重要应用领域之一。
通过对供应链网络进行优化，可以实现库存降低、运输成本最小化等目标。
非线性规划可以在考虑各种限制条件的情况下，对供应链网络进行优化设计。
例如，在仓储和配送中心的选址问题中，可以利用非线性规划方法优化选址方案，提高物流效率。
3. 资源配置中的非线性规划在资源配置问题中，需要考虑到资源的有限性以及不同资源之间的相互关系。
非线性规划可以帮助实现资源的合理配置，以最大化整体效益。
非线性规划的相关概念
非线性规划的相关概念引言非线性规划是数学规划领域中的一个重要研究方向，它是线性规划的推广和扩展。
在许多实际问题中，约束条件和目标函数往往是非线性的，因此需要非线性规划方法来解决这些问题。
本文将介绍非线性规划的基本概念和相关理论。
基本概念1. 可行解在非线性规划中，可行解指的是满足约束条件的解。
具体地，给定约束条件和目标函数，如果存在一组解使得所有约束条件都得到满足，那么这组解就是可行解。
非线性规划的目标是找到一个可行解，使得目标函数值最小或最大。
2. 局部极小解和全局极小解在非线性规划中，局部极小解指的是在某个局部范围内，目标函数值最小的可行解。
全局极小解指的是在整个可行域内，目标函数值最小的可行解。
在非线性规划中，寻找全局极小解往往非常困难，因为非线性规划问题一般没有全局最优解的性质。
因此，通常采用近似算法来寻找接近全局极小解的解。
3. 无约束问题和约束问题非线性规划可以分为无约束问题和约束问题。
无约束问题是指在没有约束条件的情况下，找到目标函数的最小值或最大值。
约束问题是指在满足一组约束条件的情况下，找到目标函数的最小值或最大值。
约束问题通常比无约束问题更加复杂，因为需要考虑约束条件的影响。
相关理论1. 梯度下降法梯度下降法是非线性规划中常用的优化方法之一。
基本思想是通过迭代更新解，使得目标函数值逐渐降低。
具体地，梯度下降法使用目标函数的梯度信息来指导搜索方向，并选择适当的步长来更新解。
该方法通常在局部范围内找到局部极小解，并且易于实现。
2. 牛顿法牛顿法是一种经典的非线性优化方法，广泛应用于非线性规划问题的求解。
它利用目标函数和约束条件的一阶和二阶导数信息来更新解。
具体地，牛顿法通过计算目标函数的海森矩阵来确定搜索方向，并选择适当的步长来更新解。
该方法在局部范围内通常能够快速收敛到极小解。
3. 二次规划二次规划是非线性规划中的一种特殊形式，目标函数是二次函数，约束条件是线性条件。
它可以通过求解一组二次方程组来得到最优解。
非线性规划
非线性规划（nonlinear programming）1.非线性规划概念非线性规划是具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。
非线性规划研究一个n元实函数在一组等式或不等式的约束条件下的极值问题，且目标函数和约束条件至少有一个是未知量的非线性函数。
目标函数和约束条件都是线性函数的情形则属于线性规划。
2.非线性规划发展史公元前500年古希腊在讨论建筑美学中就已发现了长方形长与宽的最佳比例为0.618,称为黄金分割比。
其倒数至今在优选法中仍得到广泛应用。
在微积分出现以前，已有许多学者开始研究用数学方法解决最优化问题。
例如阿基米德证明：给定周长，圆所包围的面积为最大。
这就是欧洲古代城堡几乎都建成圆形的原因。
但是最优化方法真正形成为科学方法则在17世纪以后。
17世纪，I.牛顿和G.W.莱布尼茨在他们所创建的微积分中，提出求解具有多个自变量的实值函数的最大值和最小值的方法。
以后又进一步讨论具有未知函数的函数极值，从而形成变分法。
这一时期的最优化方法可以称为古典最优化方法。
最优化方法不同类型的最优化问题可以有不同的最优化方法，即使同一类型的问题也可有多种最优化方法。
反之,某些最优化方法可适用于不同类型的模型。
最优化问题的求解方法一般可以分成解析法、直接法、数值计算法和其他方法。
(1)解析法：这种方法只适用于目标函数和约束条件有明显的解析表达式的情况。
求解方法是：先求出最优的必要条件，得到一组方程或不等式，再求解这组方程或不等式，一般是用求导数的方法或变分法求出必要条件，通过必要条件将问题简化，因此也称间接法。
(2)直接法：当目标函数较为复杂或者不能用变量显函数描述时，无法用解析法求必要条件。
此时可采用直接搜索的方法经过若干次迭代搜索到最优点。
这种方法常常根据经验或通过试验得到所需结果。
对于一维搜索(单变量极值问题)，主要用消去法或多项式插值法；对于多维搜索问题(多变量极值问题)主要应用爬山法。
非线性规划
非线性规划什么是非线性规划？非线性规划（Nonlinear Programming，简称NLP）是一种数学优化方法，用于求解包含非线性约束条件的优化问题。
与线性规划不同，非线性规划中的目标函数和约束条件都可以是非线性的。
非线性规划的数学表达式一般来说，非线性规划可以表示为以下数学模型：minimize f(x)subject to g_i(x) <= 0, i = 1, 2, ..., mh_j(x) = 0, j = 1, 2, ..., px ∈ R^n其中，f(x)是目标函数，g_i(x)和h_j(x)分别是m个不等式约束和p个等式约束，x是优化变量，属于n维实数空间。
非线性规划的解法由于非线性规划问题比线性规划问题更为复杂，因此解决非线性规划问题的方法也更多样。
以下列举了几种常用的非线性规划求解方法：1. 数值方法数值方法是最常用的非线性规划求解方法之一。
它基于迭代的思想，通过不断优化目标函数的近似解来逼近问题的最优解。
常见的数值方法有梯度下降法、牛顿法、拟牛顿法等。
2. 优化软件优化软件是一类针对非线性规划问题开发的专用软件，它集成了各种求解算法和优化工具，可以方便地求解各种类型的非线性规划问题。
常见的优化软件有MATLAB、GAMS、AMPL等。
3. 线性化方法线性化方法是一种将非线性规划问题转化为等价的线性规划问题的求解方法。
它通过线性化目标函数和约束条件，将非线性规划问题转化为线性规划问题，然后利用线性规划的求解方法求解得到最优解。
4. 分类方法分类方法是一种将非线性规划问题分解为若干个子问题求解的方法。
它将原始的非线性规划问题分解为多个子问题，然后将每个子问题分别求解，并逐步逼近原始问题的最优解。
以上仅是非线性规划求解方法的一小部分，实际上还有很多其他的方法和技巧可供选择。
在实际应用中，选择合适的方法和工具是非常重要的。
非线性规划的应用非线性规划在实际生活和工程中有着广泛的应用。
《非线性规划》课件
非线性规划的约束条件
非线性规划的约束条件是指限制问题解的一组方程或不等式。这些约束条件可以包括物理限制、资源约 束和行为限制等。
非线性规划的求解方法
线性化方法
将非线性问题转化为等价的 线性问题，然后使用线性规 划方法求解。
牛顿法
使用牛顿迭代法逐步逼近最 优解。
拟牛顿法
使用近似Hessian矩阵的方法 优化牛顿法。
变尺度法、全局优化方法
1
变尺度法
通过改变尺度，将问题转化为更易求解的形式。
2
全局优化方法
使用启发式算法寻找全局最优解。
非线性规划的应用领域
生产计划问题
优化生产计划，提高效率和利润。
交通运输问题
优化交通网络和运输流程。
优化电力系统
使电力系统运行更加高效和可靠。
决策支持系统
为决策者提供优化建议和决策支持。
医资源分配和治疗方案。
非线性规划的挑战
复杂的问题结构和求解困难。
未来的研究方向
未来的研究方向包括改进算法性能、适用于大规模问题的方法和考虑不确定性的优化模型等。
《非线性规划》PPT课件
在这个《非线性规划》PPT课件中，我们将深入探讨非线性规划的各个方面， 并介绍其在不同领域的应用。让我们一起开启这个激动人心的学习之旅！
什么是非线性规划？
非线性规划是一种在优化问题中寻找最优解的数学方法。它处理的是有非线 性约束条件和目标函数的优化问题。
非线性规划的优化目标
生产运筹--非线性规划的基本概念(PPT 78页)
无约束非线性规划或无约束最优化问题；
否则称为约束非线性规划或约束最优化问题。
min f ( x)
s.t. gi ( x) 0, i 1,, p
hi ( x) 0, j 1,, q
➢（4）可行域和可行解：
称
X
x
Rn
gi (x) hi ( x)
0, i 1,, p
0,
j
1,,
q
为MP问题的约束集或可行域。
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。
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
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
min f ( x)
s.t .
g( x) 0
h( x) 0
min f ( x)
xX
➢（3）数学规划问题的分类：
非线性规划的概念和原理
第五章 非线性规划的概念和原理非线性规划的理论是在线性规划的基础上发展起来的。
1951年，库恩（H.W.Kuhn ）和塔克（A.W.Tucker ）等人提出了非线性规划的最优性条件，为它的发展奠定了基础。
以后随着电子计算机的普遍使用，非线性规划的理论和方法有了很大的发展，其应用的领域也越来越广泛，特别是在军事，经济，管理，生产过程自动化，工程设计和产品优化设计等方面都有着重要的应用。
一般来说，解非线性规划问题要比求解线性规划问题困难得多，而且也不像线性规划那样有统一的数学模型及如单纯形法这一通用解法。
非线性规划的各种算法大都有自己特定的适用范围。
都有一定的局限性，到目前为止还没有适合于各种非线性规划问题的一般算法。
这正是需要人们进一步研究的课题。
5.1 非线性规划的实例及数学模型[例题6.1] 投资问题：假定国家的下一个五年计划内用于发展某种工业的总投资为b 亿元，可供选择兴建的项目共有几个。
已知第j 个项目的投资为j a 亿元，可得收益为j c 亿元，问应如何进行投资，才能使盈利率（即单位投资可得到的收益）为最高？解：令决策变量为j x ，则j x 应满足条件()10j j x x -= 同时j x 应满足约束条件1nj jj a xb =≤∑目标函数是要求盈利率()1121,,,njjj n nj jj c xf x x x a x===∑∑最大。
[例题6.2] 厂址选择问题：设有n 个市场，第j 个市场位置为(),j j p q ，它对某种货物的需要量为j b ()1,2,,j n =。
现计划建立m 个仓库，第i 个仓库的存储容量为i a ()1,2,,i 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。
解：设第i 个仓库的位置为(),i i x y ()1,2,,i m =，第i 个仓库到第j 个市场的货物供应量为i j z ()1,2,,,1,2,,i m j n ==，则第i 个仓库到第j 个市场的距离为i j d =目标函数为1111mnmni ji j i ji j i j zd z =====∑∑∑∑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； （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； （3） 运输量不能为负数。
非线性规划方案山大刁在筠运筹学讲义
非线性规划方案山大刁在筠运筹学讲义那天，阳光透过窗户洒在我的书桌上，我翻看着山大刁在筠教授的运筹学讲义，非线性规划这一章节引起了我的兴趣。
思绪如泉水般涌出，我决定以意识流的方式，写下这篇非线性规划方案。
一、问题的提出非线性规划是运筹学中的一个重要分支，它研究的是在一组约束条件下，如何找到使目标函数取得最优解的问题。
这类问题在实际应用中广泛存在，如生产计划、资源分配、投资决策等。
山大刁在筠教授的讲义中，以一个具体的生产问题为例，引导我们深入探讨非线性规划的方法。
二、方案的构建1.确定目标函数我们要明确目标函数。
在生产问题中，我们通常追求的是最大化利润或最小化成本。
以最大化利润为例，我们可以将目标函数表示为：maxf(x)=p1x1+p2x2++pnxn其中，x1,x2,,xn分别表示各种产品的产量，p1,p2,,pn表示相应产品的单位利润。
2.构建约束条件我们要构建约束条件。
约束条件通常包括资源约束、技术约束、市场约束等。
以资源约束为例，我们可以将其表示为：a11x1+a12x2++a1nxn≤b1a21x1+a22x2++a2nxn≤b2am1x1+am2x2++amnxn≤bm其中，a11,a12,,amn表示各种资源消耗系数，b1,b2,,bm表示各种资源的总量。
3.确定求解方法构建好目标函数和约束条件后，我们需要选择合适的求解方法。
非线性规划问题的求解方法有很多，如拉格朗日乘子法、KKT条件、序列二次规划法等。
在实际应用中，我们需要根据问题的特点选择合适的方法。
三、方案的实施1.确定初始解在实际操作中，我们通常需要先确定一个初始解。
这个初始解可以是任意一个满足约束条件的解。
我们可以通过观察目标函数和约束条件的图形，或者使用启发式算法来找到一个合适的初始解。
2.迭代求解3.分析结果求解完成后，我们需要对结果进行分析。
我们要检查最优解是否满足所有约束条件。
如果满足，那么我们可以将最优解应用于实际问题中。
非线性规划课件
②再固定x₂=x₂ (1): 求以x₁为单变量的目标函数的极值点，
得 X(2)=(x,(2),x₂ (1))T ,S(2)=f(X(2))
此时S(2)优于S(1), 且搜索区间缩短为x₁*∈[x,(2),b,],x₂*∈[x₂ (1),b₂] 第二步：如此交替搜索，直至满足给定精度ε为止
否则，继续缩短区间，
直至满足给定的精度为
①f(x₂)≥f(xq), 取[aq=ao,b,=x,]
X₁ =X2
x'2=b₁-λ(b₁-aq) ②f(x₂)<f(x₁), 取[a=x2,b,=b,]
x=aq+λ(b₁-aq)
10
x₂ =x₁
例 求 解 f(x)=-18x²+72x+28 的极大值点，δ≤0.1,起始搜索区间为[0,3] 解：①用间接法：令 f'(x)=-36x+72=0, 得驻点 x=2
xq*∈[aq,b,],x²*∈[a₂ ,b₂ ],.,x*∈[an,b,]
1、原理： ①从起点 X(0) 出发，沿平行于 x, 轴的方向P(1)进行一维搜索，
求得 f(X) 在该方向P(1)上近似极值点 X(1);
②从点 X(1) 出发，沿平行于 x₂ 轴的方向P(2)进行一维搜索，
求得 f(X) 在该方向P(2)上近似极值点 X(2); ③从点 X(2) 出发，照此交替进行下去，直至满足给定的精度ε为止
六、 寻优方法概述：
1、N.L.P.问题分类
① 无约束条件的NLP问题。 ② 有约束条件的NLP问题。 2、寻优方法
① 间接法(解析法):适应于目标函数有简单明确的数学表达式。
非线性规划的基本概念和基本原理优秀课件
解： a1150
5 2 260
2 6
5 2 2
A 2 6 0 800 A负定
2 0 4
17
❖ 例：判定正定性
5 2 2
A
2
6
0
2 0 4
0 1 1 B 1 0 3
1 3 0
解： b11 0
01 1 0
B不 定
10
18
❖ 作业： ❖ P200 4.4（1）
19
7.2 无约束问题的极值条件
gj(X) 0 (j=1,2….l) X En f(X) hi(X) gj(X) 为En上的实函数。 或
mifn(x) 1)( 目标函数 gj(x)0 ,j1,2,,l 2) (约束条件
6
二、基本概念
1、全局极值和局部极值来自f ( X )为目标函数，S 为可行域。若存在 X* S ，XS，都 有 f(X) f(X*)，则称 X * 为该问题的全局极小点，
则称X En 为（P）的一个可行解。 记（P）的所有可行解的集合为D， D称为（P）可行域。
9
定义 X*称为（P）的一个（整体）最优解，如 果X* D，满足
f(X) f(X*)， X D。
定义 X*称为（P）的一个（局部）最优解，如 果X* D，且存在一个X*的邻域 N(X* ,)= X En X- X* < , >0 满足
负定：特征值<0； Ai <0(i为奇）, Ai >0(i为偶）
半负定：特征值≤0； detA=0，Ai ≤0(i为奇）, Ai ≥0(i为偶）
不定：特征值有> 0及< 0；除了上述情况外即为不 定。
16
❖ 例：判定正定性
5 2 2
非线性规划
非线性规划非线性规划(Nonlinear Programming ，简记为NP)研究的对象是非线性函数的数值最优化问题，是运筹学的最重要分支之一，20世纪50年代形成一门学科，其理论和应用发展十分迅猛，随着计算机的发展，非线性规划应用越来越广泛，针对不同的问题提出了特别的算法，到目前为止还没有适合于各种非线性规划问题的一般算法，有待人们进一步研究.§1 非线性规划基本概念一、引例例7.1 一容器由圆锥面和圆柱面围成. 表面积为S ，圆锥部分高为h ，h 和圆柱部分高2x 之比为a ,1x 为圆柱底圆半径.求21,x x 使面积最大.解： 由条件 a x h =2/22121231x x x ax V ππ+=21212222112221x x x x a x x S πππ+++⋅⋅=所以，数学模型为：212)311(max x x a V π+=s.t. S x x x x a x x =+++21212222112πππ0,21≥x x例7.2 某高校学生食堂用餐，拟购三种食品，馒头0.3元/个，肉丸子1元/个，青菜0.6/碗.该学生的一顿饭支出不能够超过5元.问如何花费达到最满意？解： 设该学生买入馒头，肉丸子，青菜的数量分别为321,,x x x ； 个人的满意度函数即为效用函数为321321321),,(aaax x Ax x x x u =.于是数学模型为321321321),,(max aaax x Ax x x x u =s.t.56.03.0321≤++x x x 321,,x x x 为非负整数二、数学模型称如下形式的数学模型为数学规划（Mathematical Programming 简称MP ） )(min x f z = （7.1） （MP ） t s . 0)(≥x g i m i ,,1 = （7.2） 0)(=x h j l j ,,1 = （7.3）其中Tn x x x x ),,,(21 =是n 维欧几里得空间nR 中的向量（点），)(x f 为目标函数，0)(,0)(=≥x h x g j i 为约束条件.称满足约束条件的向量x 为（MP ）问题的一个可行解，全体可行点组成的集合称为可行域.K ={}l j x h mi x g R x j i n,,2,10)(,,2,10)( ===≤∈如果)(),(),(x h x g x f j i 均为线性函数，就是前面所学的线性规划问题(LP).如果至少有一个为非线性函数称为非线性规划问题.由于等式约束0)(=x h j 等价于下列两个不等式约束 0)(,0)(≥-≥x h x h j j 所以(MP)问题又可表示为 )(min x f z =s.t. 0)(≥x g i m i ,,1 = （7.4） 三、数学基础 1、线性代数知识考虑二次型Az z T ，z 为n 维向量正定的二次型：若对于任意0≠z ，有0>Az z T； 半正定的二次型：若对于任意0≠z ，有0≥Az z T ； 负定的二次型：若对于任意0≠z ，有0<Az z T ； 半负定的二次型：若对于任意0≠z ，有0≤Az z T ；不定二次型：0≠∃z ，有0>Az z T，又0≠∃z ，有0<Az z T.二次型Az z T 为正定的充要条件是它的矩阵A 的左上角各阶主子式都大于零. 二次型Az z T 为负定的充要条件是它的矩阵A 的左上角各阶主子式负正相间.2、分析数学知识（1）方向导数和梯度(二维为例)考虑函数),(21x x f Z =，及方向j i lϕϕsin cos +=梯度：Tx f x f j x f i x f x x f ),(),(212121∂∂∂∂=∂∂+∂∂=∇ ； 方向导数：⎪⎪⎭⎫⎝⎛∂∂∂∂=∂∂+∂∂=∂∂ϕϕϕϕsin cos ),(sin cos 2121x f x f x f x f l f )),,(cos(||),(||),(),(21212121l x x gardf x x gardf lx x gardf lx x f T=⋅=⋅∇=考虑等值线00201),(c x x f =上一点),(0201x x 梯度方向 ),(0201x x gardf 即为法线方向n.如果)(x f 二次可微，称⎪⎪⎪⎪⎪⎭⎫⎝⎛=)()()()()()()()()()(212222111211x h x h x h x h x h x h x h x h x h x H nn n n n n为)(x f 在点 x 处的Hesse 矩阵.（2）多元函数泰勒公式：若)(,),(0x f R S x x f u n⊆∈=在点0x 处的某个领域具有二阶连续偏导数，则有x x x f x x x f x f x x f T T∆∆+∇∆+∆∇+=∆+)(21)()()(02000θ 10≤≤θ )||(||)(21)()(||)(||)()(2020000x x x f x x x f x f x x x f x f T TT ∆+∆∇∆+∆∇+=∆+∆∇+=οο 四、最优解的类型定义7.1 (MP)问题的一个可行点*x 被称为整体极小点，如果对于任意的可行点K x ∈，都有不等式)()(*x f x f ≥成立.如果对于任意可行点*,x x K x ≠∈均有)()(*x f x f >，称点*x 是)(x f 的可行解集K上的严格整体极小点.定义7.2 问题(MP)的一个可行点*x 被称为一个局部极小点，如果存在一个正数ε使得对于所有满足关系式ε<-*x x 的可行点x 都有)()(*≥x f x f 成立.如果对任意的可行点K x ∈，*≠x x ，存在一个正数ε使得对于所有满足关系式ε<-*x x 的可行点x 都有)()(*>x f x f 成立.则称*x 是)(x f 在K 上的一个局部严格极小点.显然整体极小点一定是局部极小点，反之不然. 五、凸规划定义7.3 集合K 被称为nR 中的一个凸集，如果对于K 中任意两点21,x x 和任一实数]1,0[∈λ，点K x x ∈-+21)1(λλ.几何解释：当一个集合是凸集时，连接此集合中任意两点的线段也一定包含在此集合内，规定φ空集是凸集.定义7.4 凸函数：)(x f 是凸集K 上的实值函数，如果对于K 中任意两点21,x x 和任意实数]1,0[∈λ有不等式)()1()())1((2121x f x f x x f λλλλ-+≤-+成立.严格凸函数：)(x f 是凸集K 上的实值函数，如果对于K 中任意两点21,x x ，21x x ≠和任意实数)1,0(∈λ，有不等式)()1()())1((2121x f x f x x f λλλλ-+<-+成立.定义7.5 )(x f 是定义在凸集K 上的实值函数，如果)(x f -是K 上凸函数，称)(x f 是凹函数.定理7.1 设)(x f 是凸集K 上的凸函数，则)(x f 在K 中的任一局部极小点都是它的整体极小点.证明： 设*x 是一局部极小点而非整体极小点，则必存在可行点K x ∈(可行域))()(*x f x f <∍.对任一]1,0[∈λ，由于)(x f 的凸性，有 )()()1()())1((***x f x f x f x x f ≤-+≤-+λλλλ当0→λ时，*)1(x x λλ-+与*x 充分接近，与*x 是局部极小矛盾. 证毕. 定义7.6 设有(MP)问题)(min x f kx ∈，若可行域K 是凸集，)(x f 是K 上的凸函数，则称此规划问题为凸规划.定理7.2 凸规划的任一局部极小解为整体极小解. 六、非线性规划问题的求解方法 考虑(MP)问题：lj x h m i x g t s x f j i ,,10)(,,10)(.)(min ===≥ （7.5） 一般来说，MP 问题难以求得整体极小点，只能求得局部极小点.以后我们说求(MP)问题，指的是求局部极小点.1、无约束极小化问题（UMP ） )(min x f nRx ∈ （7.6） 这里)(x f 是定义在n R 上的一个实值函数定理7.3（一阶必要条件）如果)(x f 是可微函数.*x 是上述无约束问题（UMP ）的一个局部极小点或局部极大点的必要条件是：0)(*=∇x f .满足0)(=∇x f 的点称为平稳点或驻点.定理7.4 设)(x f 为定义在n R 上的二阶连续可微函数，如果*x 是)(x f 的一个局部极小点，必有nT Ry y x H y x f ∈∀≥=∇0)(0)(**这里)(*x H 表示)(x f 在*x 处的Hesse 矩阵.证明：nE y ∈∀，根据)(x f 在点*x 处的展开式有)()(21)()(2*2**λολλ++=+y x H y x f y x f T)0)((*=∇x f若0)(,*<∍∈∃y x H y R y T n ，当λ充分小时，有 )()(21|2*2λολ>y x H y T∴有)()(**x f y x f <+λ.这和*x 是)(x f 的极小矛盾.定理7.5 设)(x f 是定义在nR 上的二阶连续可微函数，如果点*x 满足0)(*=∇x f ，而且存在*x 的一个邻域0)(),(,),(*≥∈∀∈∀∍*y x H y x x R y x T n 有 ，则*x 是)(x f 的一个局部极小点.在高等数学中求解极值点方法先求出满足0)(=∇x f 的点及不可导点.在这些点判断)(x f 是否取得极小值.2、等式约束的极小化问题考虑 )(min x fl j x h t s j ,,10)(. == （7.7）定义7.7 如果)(,),(),(21x h x h x h l ∇∇∇ 在点x 处线性无关，则称点x 是此约束条件的一个正则点.Langrange 乘子法：引进拉格朗日函数 ∑=-=lj jj x h u x f u x L 1)()(),(其中Tl u u u u ),,,(21 =被称为拉格朗日乘子向量.定理7.6 设l j x h x f j ,,1),(),( =是连续可微函数，*x 是)(x f 在可行集中的一个局 部极小点.在*x 是正则点的假定下必存在一个拉格朗日乘子向量u ，使得),(*u x 满足方程组)(0)()(*1**==∇-∇∑=x h x h u x f lj j j对等式约束，用拉格朗日乘子法求解出平稳点，判断是否极值点.用上述解析法求解无约束和等式约束极值问题的平稳点，再判断是否为极值点.该方法有一定的局限性：（1）它们要求函数是连续的，可微的，实际问题中不一定满足这一条件； （2）上述求平稳点的方程组求解比较困难，有些解不出来； （3）实际问题中有大量的不等式约束.因此求解非线性规划应有更好的新方法.实际应用中一般用迭代法来求解非线性规划问题，即求近似最优解的方法.3、非线性规划问题的求解方法—迭代法迭代法一般过程为：在(MP)问题的可行域K 内选择初始点0:,0=k x ，确定某一方向k p ，使目标函数)(x f 从k x 出发，沿k p 方向使目标函数值下降，即)0(,>∈+=λλK p x x k ，有)()(0x f x f <，进一步确定kλ，使)(m i n )(0k k k k k p x f p x f λλλ+=+>，令k k k k p x x λ+=+1.如果1+k x 已满足某终止条件，1+k x 为近似最优解.否则，从1+k x 出发找一个方向1+k p ，确定步长1+k λ，使K p x x k k k k ∈+=++++1112λ，有)(min )(1102++>++=k k k p x f x f λλ.如此继续，将得到点列{}kx .显然有 >>>>)()()(1kx f x f x f ,即点列{}kx 相对应的目标函数是一个单调下降的数列.当{}kx 是有穷点列时，希望最后一个点是(MP)问题的某种意义下的最优解.当{}kx 为无穷点列时，它有极限点，其极限点是(MP)的某种意义下的最优解（此时称该方法是收敛的）.迭代法求解(MP)的注意点：该方法构造的点列{}kx ，其极限点应是近似最优解，即该算法必须是收敛的.迭代法一般步骤：①. 选取初始点0x ，0:=k ②. 构造搜索方向kp ③. 根据kp 方向确定k λ ④. 令k k k k p x xλ+=+1⑤. 若1+k x已满足某终止条件，停止迭代，输出近似最优解1+k x.否则令1:+=k k ，转向第②步.计算终止条件在上述迭代中有：若1+k x满足某终止条件则停止计算，输出近似最优解1+k x.这里满足某终止条件即到达某精确度要求.常用的计算终止条件有以下几个：（1）自变量的改变量充分小时，11||||ε<-+k k x x，或21||||||||ε<-+kk k x x x ，停止计算. （2）当函数值的下降量充分小时，31)()(ε<-+k kx f x f ，或41|)(|)()(ε<-+k k k x f x f x f ， 停止计算.（3）在无约束最优化中，当函数梯度的模充分小时51||)(||ε<∇+k x f ，停止计算.迭代法的关键：① 如何构造每一轮的搜索方向kp ② 确定步长k λ关于k λ，前面是以)(min kk p x f λλ+产生的，也有些算法k λ取为一个固定值，这要根据具体问题来确定.关于kp 的选择，在无约束极值问题中只要是使目标函数值下降的方向就可以了，对于约束极值问题则必需为可行下降方向.定义7.8 设0,,:1≠∈→p R x R R f nn，若存在0>δ使),0(δλ∈∀，)()(x f p x f <+λ则称向量p 是函数)(x f 在点x 处的下降方向.定义7.9 设0,,,≠∈∈∈p R p K x R K nn，若存在0>λ使得K p x ∈+λ，称向量p 是点x 处关于K 的可行方向. 若一个向量p 既是目标函数f 在点x 处的下降方向，又是该点处关于可行域K 的可行方向，则称p 为函数f 在点x 处关于区域K 的可行下降方向.根据不同原理产生了不同的kp 和k λ的选择方法，就产生了各种算法. 在以后的讨论中，一维极值的优化问题是讨论求解步长k λ.无约束极值中讨论的最速下降法，共轭方向法，坐标轮换法，牛顿法，变尺度法及有约束极值中讨论的可行方向法都是根据不同的原理选择kp 得到的迭代算法.七、迭代算法的收敛性定义7.10 设有一算法A ，若对任一初始点（可行点），通过A 进行迭代时，或在有限步后停止得到满足要求的点；或得到一个无穷点列，它的任何一个聚点均是满足要求的点，则称此算法A 具有全局收敛性.定义7.11 设（UMP ）问题的目标函数Px Qx x x f T+=21)(，Q 为对称半正定矩阵， 若由算法A 进行迭代时，不论初始点0x 如何选择，必能在有限步后停止迭代，得到所要求的点，则称此算法A 有二次有限终止性.定义7.12 设序列{}kr收敛于*r，定义满足∞<=--≤**+∞−→−βhkk k rr r r 1______lim0的非负数h 的上确界为{}k r 的收敛级.若序列的收敛级为h ，就称序列是h 级收敛的.若1=h 且1<β就称序列是以收敛比β线性收敛的. 若1>h 或1=h 且0=β就称序列是超线性收敛的. 如何判别算法的收敛性和收敛速度问题本书不讨论.本书给出的算法中，最速下降法具有全局收敛性、是线性收敛的；改进牛顿法具有全局收敛性、二次有限终止性、是二阶线性收敛的；变尺度法和共轭方向法具有全局收敛性和二次有限终止性、是超线性收敛的；Zoutenddijk 法不具有全局收敛性、改进的T-V 法具有全局收敛性；制约函数法具有全局收敛性.关于这些算法的收敛性的讨论和证明有兴趣的读者可参考其他文献.§2 一维极值问题的优化方法前面讨论迭代算法时,从kx 出发确定沿k p 方向的步长k λ是这样求解的),(min 0k k p x f λλ+>这里k x ,k p 已知.所以,若记)()(λλg p x f k k =+,则为求解)(min 0λλg >的过程.于是我们考虑如下形式的极值问题.)(min x f bx a ≤≤ (7.8)b a R x ,,1∈为任意实数很显然可应用高等数学中学过的解析法,即令0)('=x f 求出平稳点,但如前面所述如果该方程解不出来,怎么办?可用下述迭代算法—0.618法.定义7.13 )(x f 定义在],[b a 上,若存在点∍∈],[*b a x 当*x y x ≤<,有)()(y f x f >,当*x y x ≥>时,)()(y f x f >,称)(x f 在],[b a 中为单峰函数(单谷函数).显然满足定义要求的点*x 是)(x f 在],[b a 中的极小点.在],[b a 中任选两点21,x x ,且b x x a <<<21,根据)(x f 的单峰性,若)()(21x f x f <,则*x 必然位于],[2x a 内,如果)()(21x f x f >,则*x 必然位于],[1b x 内.如果)()(21x f x f =,则*x 必然位于],[21x x ,记此区间为],[11b a .如此继续,得闭区间套⊃⊃⊃⊃],[],[],[11n n b a b a b a .显然 ,1,0],,[*=∈i b a x i i ，又0→-i i a b .由闭区间套性质, *x 为极小值点.闭区间套的选择方法不同,求得的*x 的快慢及求解过程的计算量是不一样的，有一个常用的方法是0.618法.0.618法： 取],[],[b a =βα① 在],[βα中选取1λ和2λ,)(618.0),(382.021αβαλαβαλ-+=-+=,求出)(1λf 和)(2λf 进入②.② 若)()(21λλf f <,取],[],[2λαβα=,若αλ-2已足够小,停止,否则进入③.若)()(21λλf f >,取],[],[1βλβα=,若1λβ-已足够小,停止,否则进入④. 若)()(21λλf f =,取],[],[21λλβα=,若12λλ-已足够小,停止,否则进入①. ③ 取上一步中的1λ为2λ,显然有)(618.02αβαλ-+=,令)(382.01αβαλ-+=,求出)(1λf ,返回②.④ 取上一步的2λ为1λ,则有)(382.01αβαλ-+=,令)(618.02αβαλ-+=,求出)(2λf 返回②.设初始区间为],[b a ，用0.618法，经过k 次迭代后],[βα的长度ka b 618.1)(-=-αβ，只要k 充分大αβ-可以小于任何给定的正数.例7.3 用0.618法求解λλλ2)(min 2+=f单峰区间为[-3，5]，2.0=ε解：[α，β]=[-3，5]1λ=-3+0.382×8=0.056 )(1λf =0.1152λ=-3+0.618×8=1.944 )(2λf =7.667由于)(1λf <)(2λf 所以新的不定区间为[α，β] =[-3，1.944] 由于β-α=4.944>0.22λ:=1λ=0.056 )(2λf :=)(1λf =0.115 1λ=-3+0.382×4.944=-1.112 )(1λf =-0.987如此反复得下表7-1：在进行8次迭代后,2.0112.1936.0<+-=-αβ取中间值024.1*-=λ或032.12-=λ作为近似最优解.显然真正极小点是-1.0.一维收索方法很多，如函数逼近法、牛顿法等可参考其他文献.§3 无约束极值的优化方法考虑无约束最优化问题（UMP ）)(min x f nR x ∈ (7.9) 前面已经讨论过,求解此无约束优化问题,可以求出平稳点及不可导点的方法.令0)(*=∇x f ,求出平稳点.如果)(*2x f ∇是正定的,则*x 是UMP 的严格局部最优解.若)(x f 在n R 上是凸函数,则是整体最优解.在求解0)(*=∇x f 这n 维方程组比较困难时，就用最优化算法——迭代法.本节将介绍最速下降法,牛顿法,共轭方向法,坐标轮换法,变尺度法.这些算法就是用不同的方法来选择搜索方向k p 而得到的.当然kp 必须是下降方向.定理7.7 设R R f n→:，在点x 处可微,若存在nR p ∈,使0)(<∇p x f T,则向量p是f 在x 处的下降方向.证明:)(x f 可微(在x 处)，由泰勒展开式,有 ||)(||)()()(p p x f x f p x f Tλολλ+∇+=+ ,0,0)(><∇λp x f T0)(<∇∴p x f Tλ），（当δλδ0∈∃∴时,有0||)(||)(<+∇p p x f Tλολ),0()()(δλλ∈∀<+∴x f p x fp ∴是)(x f 在点x 的下降方向. 证毕.一、最速下降法最速下降法又称梯度法,选择负梯度方向作为目标函数值下降的方向,是比较古老的一种算法，其它的方法是它的变形或受它的启发而得到的，因此它是最优化方法的基础. 基本思想:迭代法求解无约束最优化(5.9)问题的关键是求下降方向kp .显然最容易想到的是使目标函数值下降速度最快的方向.从当前点kx 出发,什么方向是使)(x f 下降速度最快呢? 由泰勒展开知:||)(||)()()(k k T k k k k p p x f p x f x f λολλ+∇-=+-略去λ的高阶无穷小项,取)(kkx f p -∇=时,函数值下降最多.而)(kx f ∇为)(x f 在kx 处的梯度，所以下降方向kp 取为负梯度方向时,目标函数值下降最快.最速下降法:①. 取初始点0x ,允许误差0>ε,令0:=k ②. 计算)(kkx f p -∇=③. 若ε<||||k p ,停止，点k x 为近似最优解.否则进入④.④. 求 k λ,使)(min )(0kk k k k p x f p x f λλλ+=+≥ ⑤. 令kk k k p x xλ+=+1，1:+=k k ，返回②例7.4 用最速下降法求解下列无约束优化问题1222121225),(m in x x x x x f -+=取初始点Tx )2,2(0= 终止误差 610-=ε解：很显然，该问题的整体最优解为Tx )0,1(*=⎪⎪⎭⎫⎝⎛-=∇215022)(x x x f ，令0,10)(21==⇒=∇x x x f易验证)(*2x f ∇是正定的， ∴是整体最优解. 下面用最速下降法求解T T x x x f x f x f )50,22(),()(2121-=∂∂∂∂=∇ T x )2,2(0=T x f )100,2()(0=∇∴取Tp )100,2(0-=由⎪⎪⎭⎫⎝⎛--=⎪⎪⎭⎫ ⎝⎛--+⎪⎪⎭⎫ ⎝⎛=+λλλλ10022210022200p x4)22(2)1002(25)22()(2200+---+-=+λλλλp x f得0)1002(5000)22(4=----=λλλd df020007679.0500008100080==⇒λ⎪⎪⎭⎫⎝⎛-=⎪⎪⎭⎫ ⎝⎛--+⎪⎪⎭⎫ ⎝⎛=+=0007679.0959984642.11002020007679.0220001p x x λ重复上述过程得 Tx )01824717.0,009122542.1(2=789850288.0)(,078282.0)(,100)(21-=-==x f x f x f图7-1从图7-1可知，{}kx 随着迭代次数的增加，越来越接近与最优解)0,1(，同时也看到，随着迭代次数的增加，收敛速度越来越慢.极小点附近沿着一种锯齿形前进，即产生“拉锯”现象：{}kx沿相互正交的方向小步拐进，趋于最优解的过程非常缓慢.这种现象怎样解释？如何克服？在求k λ时，由于)()(kkp x f λλϕ+=，求导得0)('=λϕ，k λ是)(λϕ的极小点.故有0)()('=⋅+∇=k T k k k k p p x f λλϕ，即0)(=⋅+∇kk k k p p x f λ，又)(11++-∇=k k x f p，即0)(1=⋅+k T k p p 或0)()(1=∇⋅∇+k T k x f x f .也就是最速下降法相邻两个搜索方向是彼此正交的.因此最速下降法是局部下降最快，但不一定是整体下降最快的.在实际应用中一般开始几步用最速下降法，后来用下面介绍的牛顿法.这样两个算法结合起来，求解速度较快.二、牛顿法 基本思想：考虑无约束优化问题(5.9))(min x f nRx ∈ 由前面的讨论知，若能解出方程组0)(=∇x f ，求出平稳点*x ，则可验证*x 是否为极值点.由于0)(=∇x f 难以求解.如果)(x f 具有连续的二阶偏导数,则考虑用)(x f 在点*x 二阶泰勒展开式条件替代)(x f ∇，即由22||)(||))(()(21)()()()(k k k T k k T k k x x x x x f x x x x x f x f x f -+-∇-+-∇+=ο))(()(21)()()()()(2kk T k k T k k x x x f x x x x x f x f x g x f -∇-+-∇+=≈⇒令0))(()()()(2=-∇+∇=∇≈∇kk k x x x f x f x g x f)())((121k k k k x f x f x x ∇∇-=⇒-+即从kx 出发，搜索方向为)())((12kkkx f x f p ∇∇-=-，步长恒为1，得到下一个迭代点1+k x.牛顿法：①． 选取初始点0,0=：k x ，精度0>ε ②． 计算)(kx f ∇，如果ε≤∇||)(||kx f ，计算终止.否则计算)(2kx f ∇，求出搜索方向)())((12kk k x f x f p ∇∇-=-. ③． 令1:,1+=+=+k k p x x k k k ，返回②.例7.5 考虑无约束问题22122214)(m in x x x x x f -+=试分别取初始点（1）T x )1,1(0=，（2）T x )4,3(0=（3）Tx )0,2(0=，取精度要求310-=ε，用牛顿法求解.解：⎪⎪⎭⎫ ⎝⎛--=∇212211228)(x x x x x x f ⎪⎪⎭⎫⎝⎛---=∇22228)(1122x x x x f (1) 取Tx )1,1(0=有Tx f )1,6()(0=∇ ε>=∇0828.6||)(||0x f⎪⎪⎭⎫⎝⎛--=∇2226)(02x fT x f x f p )2500.2,7500.1()())((01020--=∇⋅∇-=-Tp x x )2500.1,7500.0(01--=+= 重复计算结果得表7-2.ε<=0||)(||4x f T x )0,0(4=∴为近似最优解.实际上，该问题最优解为**)0,0(=x(2) 取Tx )4,3(0=,同上计算,得TT x x x )4,8284.2(,)4,8333.2(),4,3(21===有ε<=∇=∇=∇0||)(||,1667.0||)(||,1||)(||210x f x f x f ，这一迭代结果收敛到)(x f 的鞍点T)4,22(.(3) 取Tx )0,2(0=T x f )4,16()(0-=∇ ⎪⎪⎭⎫⎝⎛--=∇2448)(02x f0)(02=∇x f , 即)(02x f ∇不可逆，所以无法求得点1x .牛顿法的主要缺点:（1） 该法的某次迭代反而使目标函数值增大(见上例).（2） 初始点0x 距极小点*x 较远时,产生的点列{}kx可能不收敛,还会出现)(*2x f ∇的奇异情况.（3） )(*2x f ∇的逆矩阵计算量大. 牛顿迭代法的主要优点:当目标函数)(x f 满足一定条件,初始点0x 充分接近极小点*x 时,由牛顿法产生的点列{}kx 不仅能够收敛到*x,而且收敛速度非常快.实际应用中常将最速下降法和牛顿法结合起来使用.牛顿法的改进:上面介绍的牛顿法中,kx 处的搜索方向为)())((12kkkx f x f p ∇∇-=-,步长恒为 1.若通过一维搜索来取最优步长k λ,可防止在迭代中步长恒为1时标目标函数值增大的可能. 改进的牛顿法:①. 取初始点nR x ∈0,允许误差0:,0=>k ε.②. 检验是否满足ε<∇||)(||kx f ,若是,迭代停止,得到k x 为近似最优解.否则进入③.③. 令)())((12kk k x f x f p ∇∇-=-.④. 求k λ,使)()(min kk k k k p x f p x f λλλ+=+. ⑤. 令k k k k p x x λ+=+1,令1+=k k ：转②.三、坐标轮换法既然求解非线性规划问题的迭代法是给出初始点0x ,求出一个方向kp ,根据kp 确定步长k λ,使k k k k p x xλ+=+1，如果1+k x 满足某精度要求则停止，否则继续找方向1+k p .显然构造出搜索方向有一定的困难，能否按既定的搜索方向寻找最优解,省去找搜索方向kp 呢?在最速下降法中我们看到相邻两个搜索方向kp 和1+k p是正交的.我们知道在n 维欧氏空间中坐标轴向量n εεε,,,21 是正交的，可否选坐标轴向量为搜索方向kp 为呢?回答是肯定的，这样我们得到了坐标轮换法.基本思想:从1x 出发,取11ε=p ,沿1p 进行一维搜索得到1112p x x λ+=.若2x 满足精度要求,则停止.否则取22ε=p ,2223p x x λ+=.如此继续,, 取n n n n n n p x x p λε+==+1,，若1+n x 满足精度要求,则停止.否则令11ε=+n p ,1112+++++=n n n n p x x λ,如此反复连续,可以求出近似最优解.坐标轮换法的缺点是收敛速度较慢,搜索效率较低,但基本思想简单,沿坐标轴的方向进行搜索.四、共轭方向法和共轭梯度法共轭方向法是一类方法的总称,它原来是为求解目标函数为二次函数的问题而设计的.这类方法的特点是:方法中的搜索方向是与二次函数的系数矩阵Q 有关的所谓共轭方向，用这类方法求解n 元二次函数的极小化问题最多进行n 次一维搜索便可以得到极小点.由于可微的非二次函数在极小点附近的性态近似于二次函数,因此这类方法也用于求可微的非二次函数的UMP 问题.定义7.14 设Q 为n n ⨯对称正定矩阵,如果0=Qy x T称n 维向量x 和y 关于Q 共轭.定义7.15 设k p p p ,,,21 为nR 中一组向量, Q 是一个n n ⨯对称正定矩阵.如果k j i j i Qp p Qp p i T i j T i ,,2,1,,,0,0 =≠≠=,称k p p p ,,,21 为Q 共轭向量组,也称它们为一组Q 共轭方向.当E Q =(单位矩阵)时,为正交方向.定理7.8 若k p p p ,,,21 为矩阵Q 共轭向量组,则它们必线性无关. 证明: 若存在k l l l ,,,21 ,使011=++k k p l p l ,则对任一k j ,,2,1 =,由 0)(11===∑∑==j T j j ki j T j iki iiT jQp p l Qp pl p l Q p又0>j Tj Qp p , 0=∴j l∴ k p p p ,,,21 线性无关. 证毕.由高等代数知识可知, Q 共轭向量组中最多包含n 个向量, n 是向量的维数.反之,可以证明,由n 维空间的任一组基出发可以构造出一组Q 共轭方向11,,,-n pp p .前面我们已经讲述了坐标轮换法，在n 维欧几里德空间中, n εεε,,,21 是一组线性无关的正交向量.从0x 出发,依次使用n εεε,,,21 作为下降方向进行一维精确搜索来确定n x x x ,,,21 ,重复进行得点列{}k x ,最终求得满足精度要求的最优解.刚才我们引进了共轭向量组11,,,-n p p p ,又证明了它们的线性无关性,那么是否可以用这共轭向量组像坐标轮换法一样,从0x 出发依次用11,,,-n pp p 作为下降方向来确定{}kx,最终求得近似最优解?回答是肯定的.这个方法称为共轭方向法.共轭方向法适合任何可微凸函数,且对于二次函数极值)(min x f x p Qx x T T+=21特 别有效.下面的定理告诉我们用共轭方向法求解二次函数的极值，经过n 次迭代就能求得最优解.定理7.9 设Q 为n n ⨯对称正定矩阵,函数x p Qx x x f T T+=21)(,又设 110,,,-n p p p 为一组Q 共轭向量组,且每个i p 是(下面形成的)i x 点处的下降方向.则由任一点0x 出发,按如下迭代至多n 步后收敛,k k k k p x xλ+=+1,这里k λ满足)(m i n )(0k k k k k p x f p x f λλλ+=+>.证明: 欲证至多n 步收敛,即证0)(=∇nx f .下证)(nx f ∇和11,,,-n pp p 正交.p Qx x f +=∇)( p Qx x f kk+=∇∴)( p p x Q p Qx xf k k k k k ++=+=∇++)()(11λkk k k k k Qp x f p Qp Qx λλ+∇=++=)( =+∇=∇---111)()(n n n n Qpx f x f λ 11111)(--++++++∇=n n k k k Qp Qp xf λλQ p Q p x f x f Tn n T k k T k T n )()()()(11111--++++++∇=∇λλkT n n k T k k k T k k T n Qp p Qp p p x f p x f )()()()(11111--++++++∇=∇λλ000+++= )2,,2,1,0(-=n k 又0)(1=∇-n Tn px f0)(=∇∴kT n p x f )1,,1,0(-=n k)(nx f ∇∴和11,,,-n pp p 正交， 又110,,,-n pp p 线性无关.0)(=∇∴nx fnx ∴是问题的最优解. 证毕. 共轭方向法具有二次有限终止性. 由于共轭方向组11,,,-n p p p 的取法有很大的随意性,用不同方式产生一组共轭方向就得到不同的共轭方向法.如果利用迭代点处的负梯度向量为基础产生一组共轭方向,这样的方法叫共轭梯度法.下面对二次函数讨论形成Q 共轭梯度方向的一般方法,然后引到求解无约束化问题上.任取初始点n R x ∈0,若0)(0≠∇x f ,取)(0x f p -∇=,从0x 点沿方向0p 进行一维搜索 ,求得0λ.令0001p x x λ+=,若0)(1=∇x f ,则已获得最优解1*x x =.否则，取0011)(p x f p υ+-∇=,其中0υ的选择要使1p 和0p 关于Q 共轭，由0)(01=Qp p T ,得0100)()()(Qp p x f Q p T T ∇=υ一般地,若已获得Q 共轭方向kp p p ,,,1和依次沿它们进行一维搜索的得到的点列110,,,+k x x x ,若0)(1=∇+k x f ,则最优解为1*+=k x x ,否则∑=+++-∇=ki i i k k p xf p011)(α为使1+k p 和11,,,-k pp p 是共轭,可证0110====-k ααα所以有 k k k k p x f pυ+-∇=++)(11又1+k p和kp 是Q 共轭的.有0)(1=+k Tk Qp p，得kT k k T k k Qpp x f Q p )()()(1+∇=υ 2,,2,1,0-=n k 进一步可得k υ221||)(||||)(||k k x f x f ∇∇=+ 2,,1,0-=n k综合起来得 Fletcher-Reeves 公式2)21110||(||||)(||)()(k k k k k k k x f x f p x f px f p ∇∇=+-∇=-∇=+++υυ 2,,2,1,0-=n k （7.10）共轭梯度法： ①． 选取初始点0x ，给定终止误差0>ε. ②． 计算)(0x f ∇，若ε≤∇||)(||0x f ,停止迭代，输出0x .否则进行③.③． 取)(0x f p -∇=，令0:=k④． 求k λ，)(min )(0kkkk kp x f p x f λλλ+=+≥，令k k k k p x xλ+=+1⑤． 计算)(1+∇k xf ，若ε≤∇+||)(||1k x f ，停止迭代，1*+=k x x 为最优解.否则转⑥.⑥． 若n k =+1，令nx x =:0，转③(已经完成一组共轭方向的迭代,进入下一轮)否则转⑦ ⑦． 取kk k k p xf pυ+-∇=++)(11,其中221||)(||||)(||k k k x f x f ∇∇=+υ,令1:+=k k ,转④当)(x f 是二次函数时上述共轭梯度法至多进行n 步可求得最优解.当)(x f 不是二次函数,共轭梯度法也可以构造11,,,-n p p p ,但已不具有有限步收敛的性质，于是和坐标轮换法一样经过一轮迭代后,采用重新开始的技巧.上述共轭梯度法就是带有再开始技巧的F-R 法.例7.6 用F-R 法求下面问题 2212121252),(m in x x x x x f +-=取初始点T x )2,2(0=,终止误差为610-=ε解:在例7.4中已得Tx f p )100,2()(0-=-∇= Tx )0007679.0,959984642.1(1-= Tx f )038395.0,919969284.1()(1-=∇000368628.010004687756228.3||)(||||)(||20210==∇∇=x f x f υ ⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎭⎫ ⎝⎛--+⎪⎪⎭⎫ ⎝⎛-=+-∇=0015322.092070654.11002000368628.0038395.0919969284.1)(0011p x f p υ⎪⎪⎭⎫ ⎝⎛+--=+0015322.00007679.092070654.1959984642.111λλλp x0378228399.7687703443.3)(11=+-=+λλλd p x df499808794.01=∴λ⎪⎪⎭⎫ ⎝⎛≈⎪⎪⎭⎫ ⎝⎛-=⎪⎪⎭⎫⎝⎛⨯+--⨯+=+=010********.0999998622.00015322.0499808794.00007679.0)92070654.1(499808794.0959984642.11112p x x λε<=∇0||)(||2x f , ∴最优解⎪⎪⎭⎫⎝⎛==012*x x .五、变尺度法当初始点为)(x f 的其极值点附近时牛顿法收敛速度很快，但缺点是需计算)(2kx f ∇的逆矩阵，在实际问题中目标函数往往相当复杂，计算二阶导数的工作量或者太大或者不可能，在x 的维数很高时，计算逆矩阵也相当费事.如果能设法构造另一个矩阵kH ，用它来逼近二阶导数矩阵的逆矩阵12))((-∇kx f 则可避免上述问题.下面就来研究如何构造12))((-∇kx f 的近似矩阵kH .我们希望：每一步都能以现有的信息来确定下一个搜索方向，每做一次迭代，目标函数值均有所下降，这些近似矩阵最后应收敛于最优解处的海赛矩阵的逆矩阵12))((-∇kx f .p Qx x f xp Qx x x f T T+=∇+=)(21)(考虑于是 )]()([)()()(11111k k k k k k k k x f x f Q x x x x Q x f xf ∇-∇=-⇒-=∇-∇+-+++当)(x f 是非二次函数时，令)]()([111k k k k k x f x f H x x ∇-∇=-+++ （7.11）称为拟牛顿条件.显然，我们构造出来的近似矩阵k H 必须满足上述拟牛顿条件及递推性：k k k H H H ∆+=+1，这里k H ∆称为矫正矩阵.记 k k k kk k x x x x f x f G -=∆∇-∇=∆++11)()( 有 kk k k k k G H H G H x ∆∆+=∆=∆+)(1 .变尺度法即DEP 法是由Davidon 首先提出，后来又被Fletcher 和Powell 改进的算法.记kk T k kT k k k k T k T k k k k kk T k kT k k k k T k T k k kG H G HG G H x G x x H H G H G H G G H x G x x H ∆∆∆∆-∆∆∆∆+=∆∆∆∆-∆∆∆∆=∆+)()()()()()()()(1 （7.12）容易验证1+k H 满足拟牛顿条件，称上式为DEP 公式.变尺度方法计算步骤：（１） 给出初始点nR x ∈0，允许误差0>ε.（２） 若ε<∇||)(||0x f ，停止，0x 为近似最优解；否则转下一步.（３） 取I H =0（单位矩阵），0=：k . （４） )(kk k x f H p ∇-=（５） 求k λ，使)(min )(0kk k k k p x f p x f λλλ+=+≥. （６） 令kk k k p x xλ+=+1（７） 若ε<∇+||)(||1k xf ，1+k x 为最优解，停止；否则当1-=n k 时，令n x x =：0转（３）.（即迭代一轮n 次仍没求得最优解，以新的0x 为起点重新开始一轮新的迭代）.k k k k k kx x x x f xf G n k -=∆∇-∇=∆-<++11),()(1时，令当.计算kk T k kT k k k k T k T k k kk G H G H G G H x G x x H H∆∆∆∆-∆∆∆∆+=+)()()()(1，令1+=k k ：，转（４）. §4 约束极值的最优化方法考虑(MP)问题：0)(0)(..)(min =≥x H x g t s x f （7.13）其中Tl T m x h x h x h x g x g x g ))(,),(()(,))(,),(()(11 ==是向量函数.显然 0)(0)(0)(≥-≥⇔=x h x h x h ， 于是（MP ）问题可以写为：Tm x g x g x g x g t s x f ))(,),(()(0)(..)(min 1 =≥ （7.14）一、积极约束设0x 是（MP ）问题（5.14）的一个可行解.对0)(0≥x g i 来说，在点0x 有两种情况：或者0)(0>x g i ，或者0)(0=x g i .0)(0>x g i 时，则0x 不在0)(0=x g i 形成的边界上，称这一约束为0x 的非积极约束；0)(0=x g i 时，0x 处于由0)(0≥x g i 这个约束条件形成的可行域边界上，当0x 有变化时就不满足0)(0=x g i 的条件，所以称为积极约束，记为：{}()|()0,1i I x i g x i m ==≤≤.定义7.16 设x 满足约束条件0)(0≥x g i ),,1(m i =，0)(|{)(==x g i x I i ，}m i ≤≤1，如果)(x g i ∇，)(x I i ∈线性无关，则称点x 是约束条件的一个正则点.二、可行方向、下降方向的代数条件前面我们已经给出可行方向和下降方向的定义，下面给出其代数条件.可行方向：设K 是（MP ）问题（5.14）的可行域，K x ∈,0,≠∈p R p n.若存在00>λ使得],0[0λλ∈时有K p x ∈+λ，称p 为x 点处的一个可行方向.由泰勒公式：||)(||)()()(p p x g x g p x g T i i i λολλ+∇+=+当x 为)(x g i 的积极约束时，有0)(=x g i .只要0>λ足够小，)(p x g i λ+和p x g T i )(∇λ同号，于是当0)(>∇p x g T i 时有0)(≥+p x g i λ )(x I i ∈.当x 为)(x g i 的非积极约束时，有0)(>x g i .由)(x g i 的连续性，当0>λ足够小时，由保号性知 0)(≥+p x g i λ )(x I i ∉.所以只要 0)(>∇p x g T i ，)(x I i ∈就可保证0)(≥+p x g i λ，于是p 为x 点处的一个可行方向.称0)(>∇p x g T i ，)(x I i ∈ 为p 在点x 处是可行方向的代数条件.下降方向：设K 是（MP ）问题的可行域，K x ∈,0,≠∈p R p n.若存在00>λ使得],0[0λλ∈时，有)()(x f p x f <+λ，称p 为x 点处的一个下降方向.由泰勒公式：||)(||)()()(p p x f x f p x f Tλολλ+∇+=+.当λ足够小时，只要0)(<∇p x f T，有)()(x f p x f <+λ. 称0)(<∇p x f T为p 在x 点处的一个下降方向的代数条件.三、可行下降方向设K 为（MP ）问题（5.14）的可行域，K x ∈，若存在0,≠∈p R p n，p 既是x 点处的下降方向又是可行方向，则称p 为点x 处的可行下降方向.定理7.10 考虑非线性规划问题（5.14），K x ∈，),,1)()(m i x g x f i =（和在x点处可微，若*x 是局部极小点，则x 点处必不存在可行下降方向，即不存在p 同时满足：⎪⎩⎪⎨⎧∈>∇<∇)(0)(0)(x I i p x g p x f Ti T证明：反证法，设局部极小点x 处存在可行下降方向p ，于是1λ∃，当],0[1λλ∈时有)()(x f p x f <+λ，又p 为可行方向．2λ∃∴当],0[2λλ∈时K p x ∈+λ，这与x 是。
非线性规划基础PPT课件
f
(
xk
tkdk
)
min t 0
f(xk
tdk
)，
令 xk 1 xk tk dk ；k=k+1，转第1步。
第32页/共35页
• 一维搜索的方法很多，归纳起来，可分为试探 法和函数逼近法。试探法中包括如黄金分割法、 Fibonacci法等；函数逼近法中包括如牛顿法、 割线法等。
第33页/共35页
x (3,1)T
• 例13.6：
是下列优化问题的最优解，验
证x满足Fmrixitnzf-(Jxo) h(nx1定 7理)2 。 (x2 3)2
s.t.gg12((xx))
x12 x1
x22 x2
10 0, 4 0,
g
3
(
x)
x2
0,
第23页/共35页
紧指标集 I={1,2}
f(x)
-
• 在x点取到局部最优值的条件为：F0 G0
g f
i (x)T (x)T
d d
0 0
无解
第21页/共35页
• 定理13.11（Gorden）：
设 A (A1,, Am ), Ai Rn ,i 1,, m ，则Ax<0有解
y( Rm ) 0
的充A分T y必 0要(i 条 1件,为, m：) 不存在非零向量
G {d | d 0, x D, 0, (0, ), x d D}
定理13.6 若f(x)在点 x 可微，如果存在方向d，
使 f (x)T d 0 ，则 0 使 (0, ) 有
f (x d) f (x)
第17页/共35页
一、无约束优化的最优性条件
• 在无约束规划问题中，由于不涉及到可行域的 问题，因此，只涉及下降方向。不涉及可行方 向的问题。
管理运筹学06非线性规划
对于大规模问题，梯度法可能会收敛到局部最优解而非全局 最优解。
牛顿法
优点
牛顿法具有二次收敛速度，即随着迭 代次数的增加，收敛速度会加快。
缺点
牛顿法需要计算目标函数的Hessian矩 阵，计算量大，且对于非凸问题，可 能陷入局部最优解。
拟牛顿法
优点
拟牛顿法具有类似于牛顿法的收敛速 度，但计算量较小。
解器。
SciPy的非线性规划求解器基于 优化算法，如梯度下降法和牛 顿法等，可以求解无约束和有
约束的非线性规划问题。
SciPy的接口简洁明了，易于使 用，适合Python程序员使用。
SciPy还提供了大量的示例和文 档，可以帮助用户更好地理解 和使用非线性规划求解器。
R语言
01 02 03 04
R语言是一种开源的统计计算语言，广泛应用于数据分析和统计建模 等领域。
THANKS FOR WATCHING
感谢您的观看
它通过迭代算法寻找使目标函数取得 极值的解，广泛应用于各种实际问题 的优化，如金融、物流、生产计划等 。
非线性规划的分类
约束优化问题
在给定的约束条件下最小化或最大化目标函数。
无约束优化问题
在无任何约束条件下最小化或最大化目标函数。
混合整数非线性规划问题
目标函数和约束条件中包含整数变量，且为非线性。
03
MATLAB的非线性规划求解器支持多种算法，包括内点法、梯度法、 牛顿法等，可以根据问题的规模和特性选择合适的算法。
04
MATLAB的用户界面友好，易于学习和使用，适合初学者和专家使用。
Python的SciPy库
SciPy是一个开源的Python数 学库，提供了大量的数学函数 和算法，包括非线性规划的求
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
25
无约束问题的最优性条件
（P1）
Min f(X)
X En
定理4（二阶必要条件） 设f(X)在X*点二阶可微，如果X*为 （P1） 的一个局部极小点，则有 f(X*) =0 和 H（ X* ）为半正定。
26
无约束问题的最优性条件
（P1）
Min f(X)
X En
定理5（二阶充分条件）
17
例：判定正定性
5 A 2 2 2 6 0 2 0 4
5 2 2 6
0 B 1 1
26 0
1 0 3
1 3 0
解： a
11
5 0
5 A 2 2
2 6 0
2 0 4
18
80 0
2
x 2 1 0
x2 2x2
2
求得到4个驻点：
X
4
1 2
2 x1 f (X ) 0
2 x2 2 0
2
2 f (X 1) 0
0 2
0 2
2
2 f (X 2) 0
0 2
7.2 无约束问题的极值条件 例 求解如下非线性规划问题
min f ( x ) ( x 1 2 ) 2 ( x 2 2 ) 2 x1 x 2 6 0 x2 6
, 即 f ( x ) c ( 常数 ), D点,在 D点 3,
*
解
作 f ( x )的等值线
2
x1
3
1 3
2
x 2 x 2 x1 4
3 2
解 因为
f x1
x1 1
，
f
x1 2 令 f (X ) 0 即 x2 2x2 0 1 1 1 X1 X X3 2 0 0 2
11
X En X- X* < , >0
局部最优解
f(X)
整体最优解
12
2.梯度向量 f(X)=grad f(X) =(f/x1 ,f/x2 ,…..,f/xn)T
区间内连续的梯度的性质： ①在某点的f(X（0）)必与函数过该点的等 值面的切平面相垂直。 ②梯度方向是函数值增加最快的方向（函 数变化率最大的方向） 负梯度方向是函数值减小最快的方向。
等值线与直线相切于 得到最优解
* x1
2 o
2
D ( 3 ,3 )
* x2
6
x1
最小值 min f ( x ) f ( x ) 2 .
21
x2 6
min f ( x ) ( x 1 2 ) 2 ( x 2 2 ) 2 x1 x 2 6 0
2 o
非线性规划的最优解可能在可行域的 任一点达到。
22
一、用海赛矩阵判断驻点的性质
o若H(x)为正定，该驻点X*是严格局部极小 值点；
o若H(x)为负定，该驻点X*是严格局部极大 值点； o若H(x)为半正定（半负定），则进一步观 察它在该点某邻域内的情况，可能是可能 不是；
o如果H(x) 不定的，该驻点X*就不是f(X)极 值点。
A 负定
例：判定正定性
5 A 2 2 2 6 0 2 0 4
0 1 1 0
0 B 1 1
1 0
1 0 3
1 3 0
解：
b11 0
B 不定
19
作业： P200 4.4（1）
20
0 2
32
2
2 f (X 3) 0
2 f (X 4) 0
2
X1
，X 3 和
X
4
不是极小点；X 2 是极小点。
7.3 凸函数与凸规划 凸集概念： 设D是n维线性空间En的一个点集，若D中的 任意两点x(1),x(2)的连线上的一切点x仍在D中， 则称D为凸集。 即：若D中的任意两点x(1),x(2) ∈D，任意0<<1 使得 x= x(1)+(1- )x(2) ∈ D,则称D为凸集
非线性规划
直接法 有约束问题
算法方面
间接法 无约束问题
6
应用方面
一般模型 Min f(X)
s.t. hi(X) = 0
(i=1,2,….m)
（P）
gj(X) 0 (j=1,2….l)
X En f(X) hi(X) gj(X) 为En上的实函数。
或
( 1) min f(x) g j (x) 0 ,j 1 , 2 , , l 目标函数 ( 2) 约束条件
23
二、极值点的必要条件和充分条件
最优性条件的研究是非线性规划理论研究 的一个中心问题。 为什么要研究最优性条件？
o本质上把可行解集合的范围缩小。
o它是许多算法设计的基础。
24
无约束问题的最优性条件 （P1） Min f(X) X En 定理3（一阶必要条件） 设f(X)在X*点可微，则X*为（P1） 的一个局部极值点，一定有 f(X*)=grad f(X*)=0（ X*称为驻点）
T
4 x 1 8 4 x 2 4 0 0
T
T
x 1* 2 4 x1 8 0 * 4 x2 4 0 x2 1
28
例
而
求 m in f ( x ) 2 x 1 8 x 1 2 x 2 4 x 2 2 0
相应不等式反号，得到相应极大点，极大值定义。
9
定义
如果X满足（P）的约束条件
(i=1,2,….m)
hi(X)=0
gj(X) 0 (j=1,2….l)
则称X En 为（P）的一个可行解。 记（P）的所有可行解的集合为D， D称为（P）可行域。
10
定义 X*称为（P）的一个（整体）最优解，如 果X* D，满足 f(X) f(X*)， X D。 定义 X*称为（P）的一个（局部）最优解，如 果X* D，且存在一个X*的邻域 N(X* ,)= 满足 f(X) f(X*)， X D N(X* ,)
7
二、基本概念
1、全局极值和局部极值
f ( X ) 为目标函数，S 为可行域。若存在 X * S ， X S ，都 * 有 f ( X ) f ( X * ) ，则称 X 为该问题的全局极小点，
f (X )
*
为全局极小值。
f ( X ) 为目标函数，S 为可行域。若有X * S , X X * ， X S ， * * 都有 f ( X ) f ( X ) ，则称 X 为该问题的严格全局极小点，
设f(X)在X*点二阶可微，如果f(X*) =0 和 H(X*)为正定，则X*为(P1) 的一个严格局部极小点。
27
例
求 m in f ( x ) 2 x 1 8 x 1 2 x 2 4 x 2 2 0
2 2
解
f f (x) x1
f x 2
16
4、正定矩阵、负定、半定、不定
正定：特征值>0；各阶主子式>0(Ai>0) 半正定：特征值≥0；detA=0, Ai ≥ 0 负定：特征值<0； Ai <0(i为奇）, Ai >0(i为 偶） 半负定：特征值≤0； detA=0，Ai ≤0(i为 奇）, Ai ≥0(i为偶） 不定：特征值有> 0及< 0；除了上述情况外 即为不定。
第七章
非线性规划的基本概念 和基本原理
1
7.1 数学模型和基本概念
非线性规划是运筹学中包含内容最多， 应用最广泛的一个分支，计算远比线性 规划复杂。
2
一、数学模型 例 某单位拟建一排 厂房，厂房建筑平面如图 所示。由于资金及材料的 限制，围墙及隔墙的总长 度不能超过80米。为使建 筑面积最大，应如何选择 长宽尺寸？
x1 x2
max f ( x ) x 1 x 2 2 x 1 5 x 2 80 x1 , x 2 0
分析：设长为 x 1 米， 宽为 x 2 米，则有
f(x)为非线性函数
3
例 设某物理过程具有如下规律
( t ) x1 x 2 e
x3t
用试验法 求得 t i时的 ( t i ) 值 , i 1, 2 , , m 。 现要确定参数 x1 , x 2 , x 3 , 使所得试验点构成的曲线与理论曲线误差平 方和为最小，且满足 x1 x 2 1, x 3 非负。
2 2
2 2 f f 2 x1 x 1 x 2 * H (x ) 2 2 f f 2 x 2x1 x 2
4 0
x x
*
0 4
4 4 0,
4 0
0 4
16 0 , H ( x ) 正定 ,
13
满足 f ( x ) 0 的点 , 称为平稳点或驻点
*
.
在区域内部极值点必为 但驻点不一定是极值点
驻点 , .
14
3、海赛(Hesse)矩阵
2f(X) = H(X)
2f/x12 2f/x1x2 ….. 2f/x1xn 2f/x22 ….. 2f/x2xn
=
*
x 1 2 , x 2 1 为严格局部极小点
* *
极小值 f ( x ) 10
*
29
例 Min f(X)= 2x12+5x22+x32+ 2x2x3 + 2x1x3 - 6x2+3 X E3 解：f(X) = （4x1+ 2x3, 10x2+ 2x3 – 6, 2x1+ 2x2 + 2x3 ）=0 驻点x*=(1,1,-2) 4 0 2