约束问题的最优化方法

新目标函数： Φ ( x, r1 , r2 ) =
(k ) M
(k ) p
G[ g u ( x)] + r2 ∑ H [hv ( x)] f ( x) + r1 ∑ u =1 v =1
m
p
H [hv ( x)] 其中r ∑ G[g u ( x)] 和 r ∑ 称为加权转化项，并根据它们在惩 v =1 u =1 罚函数中的作用，分别称为障碍项和惩罚项。
二.
惩罚函数的形式：
(k ) (k ) m
1 ① .Φ ( x, r ) = f ( x) − r ∑ u =1 g ( x ) u
② .Φ ( x, r ) = f ( x) + r ∑
(k ) (k )
其中：g u ( x) ≤ 0, u = 1,2,...m
1 u =1 g ( x ) u
m
三.
间接解法：
目的：将有约束优化问题转化为无约束优化问题来解决。 前提：一不能破坏约束问题的约束条件，二使它归结到原约束问题的 同一最优解上去。 惩罚函数法： 通过构造罚函数把约束问题转化为一系列无约束最优化问题，进 而用无约束最优化方法去求解。惩罚函数法是一种使用很广泛、很有 效的间接解法。 基本思想：以原目标函数和加权的约束函数共同构成一个新的目标函 数 Φ( x, r1 ,r2 )，将约束优化问题转化为无约束优化问题。通 过不断调整加权因子，产生一系列Φ函数的极小点序列 x(k)* (r1(k),r2(k)) k= 0,1,2… ，逐渐收敛到原目标函数的约束最优解。
k →∞
则Φ ( x, r ( k ) ) → f ( x) ,
) x12 + x22 例： 用内点法求 min f ( x=
s.t. g ( x ) = 1 − x1 ≤ 0
的约束最优解。
2 解: 首先构造内点惩罚函数:φ ( x , r ) = x12 + x2 − r k ln( x1 − 1)
f ( x* ( r 0 )) = 2.022
f ( x* ( r 0 )) = 1.336
f ( x* ( r 0 )) = 1
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. 1. 2.
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； 构造惩罚（新目标）函数；
障碍项：当迭代点在可行域内时，在迭代过程中阻止迭代点越出 边界。 惩罚项：当迭代点在非可行域或不满足不等式约束条件时，在迭 代过程之中迫使迭代点逼近约束边界或等式约束曲面。 加权因子（即惩罚因子）： r1 , r2 无约束优化问题：min .
Φ ( x, r1 , r2 )
Φ函数的极小点序列 x (k)* ( r1 (k) , r2 (k) ) k= 0,1,2… 其收敛必须满足： lim r1 ∑ G[ g u ( x ( k ) )] = 0 k →∞
§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。
(k )
(k )
∑
1 u =1 g ( x ) u
m
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。 2. 惩罚因子初始值 r(0) 的选择： 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. 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
①
x( k −1) * (r ( k −1) ) − xk * (r ( k ) ) ≤ ε 1
②
Φ ( x( k −1) * (r ( k −1) )) − Φ ( xk * (r ( k ) )) Φ ( x( k −1) * (r
1. 2.
设计分析：（略） 数学模型：
设计变量 ： X = [x1 ,x2 ] = [t f ,h]
T T
目 标 函数： min.
f ( x ) = 120 x1 + x2
约 束函数 ： g1 ( x ) = − x1 < 0
g 2 ( x ) = − x2 < 0 g 4 (x ) = 1 −
g 3 ( x ) = 1 − 0.25 x2 ≤ 0 7 x1 x2 ≤ 0 45 7 2 g 5 ( x ) = 1 − x1 x2 ≤ 0 45 1 2 g 6 (x ) = 1 − x1 x2 ≤ 0 320
m
⑤ .Φ ( x, r ) = f ( x) − r ∑ ln[− g u ( x)]
(k )
其中：惩罚（加权）因子 降低系数 c：
r ( 0 ) > r (1) > ....r ( k )
0< c <1
r ( k −1) ⋅ c = r ( k )
xk * → x *
当lim r ( k ) → 0
3.
降低系数 c 的选择：
在构造序列惩罚函数时，惩罚因子r是一个逐次递减到0的数列 ，相邻两次迭代的惩罚因子的关系为 :
k −1 (k 1,2,...) = r r cr =
式中的c称为惩罚因子的缩减系数，c为小于1的正数。一般的 看法是，c值的大小在迭代过程中不起决定性作用，通常的取值范 围在0.1~0.7之间。 4. 收敛条件：
一. 约束优化问题解法分类： 约束优化方法按求解原理的不同可以分为直接法和间接法两类。
直接解法：随机方向搜索法、复合形法、可行方向法
间接解法：内点惩罚函数法、外点惩罚函数法、混合惩罚函数法 二. 直接解法：
基本思想：合理选择初始点，确定搜索方向，以迭代公式 x(k+1)= x(k)+α(k)S(k)在可行域中寻优，经过若干次迭代，收敛至最优点。 适用范围：只能求解不等式约束优化问题的最优解。 基本要点：选取初始点、确定搜索方向及适当步长。 搜索原则：每次产生的迭代点必须满足可行性与适用性两个条件。 可行性：迭代点必须在约束条件所限制的可行域内，即满足 gu(x)≥0, u=1,2,…,p 适用性：当前迭代点的目标函数值较前一点是下降的，即满足 F(xk+1)<F(xk)
2、等式约束优化问题（EP型）
x ∈ D ⊂ Rn s.t. hv ( x ) = 0, v = 1,2,..., q min F ( x )
3、一般约束优化问题（GP型）
x ∈ D ⊂ Rn s.t. g u ( x ) ≥ 0, u = 1,2,..., p hv ( x ) = 0, v = 1,2,..., q min F ( x )
φ[ x * (r k ), r k ] − φ[ x * (r k −1 ), r k −1 ] ≤ ε1 * k −1 k −1 φ[ x (r ), r ]
x * (r k ) − x * (r k −1 ) ≤ ε 2
五.
方法评价：
用于目标函数比较复杂，或在可行域外无定义的场合下： 由于优化过程是在可行域内逐步改进设计方案，故在解决工程 问题时，只要满足工程要求，即使未达最优解，接近的过程解也 是可行的； 初始点和序列极值点均需严格满足所有约束条件； 不能解决等式约束问题。
其中：g u ( x) ≥ 0, u = 1,2,...m
③ .Φ ( x, r ) = f ( x) − ∑ ru ( k )
(k ) u =1
m
1 g u ( x)
④ .Φ ( x, r ) = f ( x) + r
(k )
(k )
(k )
1 ∑ 2 u =1 [ g u ( x )]
m u =1
六.
举例：盖板问题 设计一个箱形截面的盖板。 tf
h
已知：长度 l0= 600cm，宽度 b = 60cm， 侧板厚度 ts = 0.5cm，翼板厚度为 tf(cm)，高 度为 h(cm)，承受最大的单位载荷 q = 0.01Mpa。
ts b
要求：在满足强度、刚度和稳定性等条件下，设计一个最轻结构。
r 用解析法求函数的极小值，运用极值条件： ∂φ = x − = 2 0 1 ∂x x − 1 1 1 k 1 ± 1 + 2 r 联立求解得： φ x1 (r k ) = ∂ = x2 0 2= 2 ∂ x 2 x (r k ) = 0 2 1 − 1 + 2r x1 (r ) = 1 − x1 ≤ 0 应舍去 。 时不满足约束条件 g ( x) = 2 * k 1 + 1 + 2r k 无约束极值点为： x (r ) =
收敛条件：
• 边界点的收敛条件应该符合 K-T 条件； • 内点的收敛条件为： x − x ≤ ε 和 f (x) f (x−) f (x)
( k +1) (k ) ( k +1)
1特点：① ②
在可行域内进行； 若可行域是凸集，目标函数是定义在凸集上的凸函数，
则收敛到全局最优点；否则，结果与初始点有关。
3.
优化方法：
选用内点惩罚法，惩罚函数形式为：