单纯形法解决无约束优化问题

分数: ___________

任课教师签字：___________

课程作业

学年学期：2017——2018学年第二学期

课程名称：优化理论

作业名称：作业三

学生姓名：

学号：

提交时间：

一、问题重述

形如的min (x),x R n f ∈问题称为无约束优化问题，常用下降算法来解决这类问题。下降算法的关键在于步长和搜索方向的选取。步长的求取可以借助前面作业中提到的一维搜索等方法求取，而搜索方向算法可以分为两大类，解析法和直接法。

解析法借助了目标函数的导数进行搜索，这类算法搜索速度快、效率高，但是对目标函数的要求更为严格。常用的方法有最速下降法、Newton 法、共轭梯度法、拟Newton 法等。

直接法不使用导数，也不需要得到目标函数的明确解析式，只需要能够得到某些函数上的点即可。因此直接法的适用范围更广，但相应的收敛速度会较慢，计算量也会随着问题维数的增加而迅速增大。常用的方法有单纯形法、Powell 方向加速法以及Powell 改进算法。

本作业以直接法的Powell 法为例，解决具体的无约束优化问题，并对将Powell 方向加速法和Powell 改进算法解决结果进行对比。

二、算法原理

对于n 维正定二次函数(x)0.5T T f x Gx b x c =++，设011,,...(k n)k p p p -<关于G 共轭，0x 与1x 为任意不同点。分别从0x 与1x 出发，依次沿011,,...k p p p -作一维搜索。如果最后找到两个互不相同的极小点x a 与x b ，则x b a x -与011,,...k p p p -关于G 共轭。

Powell 方向加速法正是基于这一原理，每次迭代过程作n+1次一维搜索。第一次沿给定的n 个线性无关的方向011,,...n p p p -依次作一维搜索，之后沿由这一阶段的起点到第n 次搜索所得到的点的方向P 再做一次一维搜索，并把这次所得点作为下一阶段的起点，下一阶段的n 个搜索方向为011,,...,n p p p p -。以此直到找到最优解。

此算法是在迭代中逐次生成共轭方向，而共轭方向又是较好的搜索方向，所以称之为方向加速法。但是，此算法产生的n 个向量可能线性或近似线性相关，这时张不成n 维空间，可能得不到真正的极小点。因此，Powell 原始算法存在一定的缺陷。

Powell 改进算法虽然不再具有二次终止性，但克服了搜索方向的线性相关的不利情形，是解决无约束优化问题较有效的直接法之一。

本次作业一维搜索的过程是利用函数求导，求得最小值。经过试验发现，α是允许为负数的。否则最终寻优得到的极值点与实际结果存在很大的偏差，而且寻优的效率特别低下。

三、算法流程

Powell算法流程图：

图1 Powell算法流程图

Powell改进算法流程图：

图2 Powell改进算法流程图

四、实验验证

1、设目标函数421122(x)x (1x )f x x =++++，收敛精度为0.001，初始点（-2,2）。

利用Matlab 自带的函数求二元函数极值点函数fminsearch ，求得极值点为(-0.630,-1.500)，最小值为-1.722。以此为标准，检验Powell 方向加速法和Powell 改进算法的寻优结果。

Powell 方向加速法经过2次迭代，求得极值点（-0.630,-1.500），对应的最小值-1.722；Powell 改进方向加速法经过2次迭代，求得极值点（-0.630,-1.500），对应的最小值1.722。

2、设目标函数42112212(x)x (1x )f x x x x =+++++，收敛精度为0.001，初始点（-2,2）。

利用Matlab 自带的函数求二元函数极值点函数fminsearch ，求得极值点为(0.5827,-1.7913)，最小值为-1.5109。以此为标准，检验Powell 方向加速法和Powell 改进算法的寻优结果。

Powell 方向加速法经过4次迭代，求得极值点（0.5827,-1.7912），对应的最小值-1.5109；Powell 改进方向加速法经过2次迭代，求得极值点（-0.630,-1.500），对应的最小值 1.722。两种方法对应的寻优过程如下图所示。

图3 Powell 直接与改进法寻优过程

x 1x 2

Pwoell 方向加速法寻优过程

x 12Pwoell 改进法寻优过程

四、算法程序