第6章 无约束问题

合集下载
  1. 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. 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. 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)。

凸函数的判定: 定理3(一阶条件): 设f(x) 在n维欧氏空间上的开 凸集R上具有一阶连续偏导数,则f(x)是R上的凸函数的 充分必要条件是,对任意两点x(1)、x(2)∊R ,恒有 f(x(2))≥f(x(1))+▽f(x(1))T(x(2)-x(1)) 把上式变为严格不等式,就是严格凸函数的充分必 要条件。
下降算法的具体做法: 假定已迭代到点x(k),若从x(k)出发沿任何方向移 动都不能使目标函数值下降,则x(k)是局部极小点, 停止迭代。否则,就选定某个能使目标函数值下降 的方向p(k),沿这个方向前进一个适当的步长λk,得 到点x(k+1),并使f(x(k+1))<f(x(k))。 x(k+1)=x(k)+λk p(k) λk ( k ) p(k) p —搜索方向 (k+1) x ( k ) λk —步长或步长因子 x 下降算法的步骤: (1)选定初始点x(0),令k:=0; (2)确定搜索方向p(k); (3)求出步长λk,计算x(k+1)=x(k)+λk p(k); (4)检查x(k+1)是否满足精度的极小点,若是,则 停止迭代;否则,令k:=k+1,转回(2)。
1.3 凸函数和凹函数 凸函数的定义如下: 设f(x)是定义在n维欧氏空间中某个凸集R上的函数, 若对任意0<α<1以及R中的任意两点x(1)和x(2),恒有: f(αx(1)+(1-α)x(2))≤αf(x(1))+(1-α)f(x(2)) 则称f(x)为定义在R上的凸函数。 若对任意0<α<1和R中的任意x(1)≠x(2),恒有: f(αx(1)+(1-α)x(2))<αf(x(1))+(1-α)f(x(2)) 则称f(x)为定义在R上的严格凸函数。 将上式中的不等号反向,即得凹函数和严格凹函 数的定义。显然,若f(x)是凸函数,则-f(x)是凹函数。
2
其最优解为x1*=x2*=3, 目标函数值f(x*)=2。 其最优解位于约束条 件形成的直线上。
2 6 x1
若将约束条件改为 h(x)=x1+x2-6≤0,则最优解为 x1=x2=2,f(x)=0。其最优解位于可行域的内部。 可见,非线性规划问题的最优解可在其可行域中 的任一点达到。
1.2 极值问题 将函数的极小值定义如下: 设f(x)为定义在某一区域R上的n元函数。对于 x*∊R,如果存在某个ɛ>0,使对所有与x*的距离小于 ɛ的R中的点(x∊R且‖x-x*‖<ɛ),均满足不等式 f(x)≥f(x*),则称x*为f(x)在R上的局部极小点,f(x*)为 局部极小值。若对所有x≠x*且与x*的距离小于ɛ的R中 的点,均满足f(x)>f(x*),则称x*为f(x)在R上的严格 局部极小点,f(x*)为严格局部极小值。
把计算函数值用来比较的点称为试算点或试点。 试点数为2时,最多可把区间缩短为原来区间长度的1/2, F2=2;试点数为3时,F3=3;试点数为4时,F4=5。
/3
③④ ② ① 1/5 2/5 3/5
(n=2)
(n=3)
(n=4)
显然还有,F0=F1=1。序列{Fn}存在递推公式 Fn=Fn-1+Fn-2 n≥2 计算出各斐波那契数Fn,得斐波那契表:
1.4 凸规划 凸规划是一类常见而又较简单的非线性规划问题。 对于非线性规划
若f(x)为凸函数,gj(x) 都为凹函数,则称为凸规划。 凸规划的可行域是凸集,其最优解问题就是凸函数在 凸集上的全局极小点问题。因而,凸规划的局部最优解就 是全局最优解,且最优解的集合形成一个凸集;当f(x)是 严格凸函数时,其最优解若存在则必定是唯一的。 例 判断下列非线性规划是否为凸规划
对于x*∊R,若对所有x∊R均满足f(x)≥f(x*),则称 x*为f(x)在R上的全局极小点,f(x*)为全局极小值。若 对所有x≠x*且x∊R ,都有f(x)>f(x*),则称x*为f(x)在R 上的严格全局极小点,f(x*)为严格全局极小值。
对n元函数f(x) ,记: ▽
▽f(x)称为函数f(x)
f(x)
αf(x(1))+(1-α)f(x(2))
f(x)
f(αx(1)+(1-α)x(2)) αf(x(1))+(1-α)f(x(2))
f(αx(1)+(1-α)x(2)) x(1) αx(1)+(1-α)x(2) x(2)
x
x(1) αx(1)+(1-α)x(2) x(2)
x
凸函数性质: 性质1 设f(x)是定义在凸集R上的凸函数,则对任意 实数β>0,βf(x)也是定义在R上的凸函数。 性质2 设f1(x)和f2(x)都是定义在凸集R上的凸函数, 则f(x)= f1(x)+f2(x)也是定义在R上的凸函数。 易推得,有限个凸函数的非负线性组合 β1f1(x)+β2f2(x)+…+βmfm(x) ( βi≥0, i=1,2,…,m ) 仍为R上的凸函数。 性质3 设f(x)是定义在凸集R上的凸函数,则对任意 实数β,集合Sβ={ x| x∊R, f(x)≤β }是凸集。 凹函数的性质与上述凸函数的性质类似。
第6章 无约束问题
第1节 非线性规划基本概念
1.1 引言 例1 某公司经营两种产品,第一种产品每件售价 30元,第二种产品每件售价450元。根据统计,售出 一件第一种产品所需的服务时间平均是0.5小时,第 二种产品是(2+0.25x2)小时,其中x2是第二种产品 的售出数量。已知该公司计划期内的总服务时间为 800小时,试决定使其营业额最大的营业计划。 设公司计划经营第一种产品x1件,第二种产品x2 件,数学模型为:
第2节 一维搜索
2.1 斐波那契(Fibonacci)法 一元函数f(t)在区间[a,b]上有唯一极小点t*(下单 峰函数),若在区间内任取两点a1<b1,计算f(a1)和 f(b1),可能出现以下两种情况: (1)f(a1)<f(b1),则t*在区间[a,b1]内; (2)f(a1)≥f(b1),则t*在区间[a1,b]内。 无论哪种情况,都有效缩短了极小点所在的区间。
n 0 Fn 1 1 1 2 2 3 3 4 5 5 6 7 8 9 10 11 12 8 13 21 34 55 89 144 233
设原区间为[a0,b0],要求缩短后的区间长度为原 来长度的δ倍,δ称为相对精度。有时给出缩短后的区 间长度η,η称为绝对精度。绝对精度和相对精度之间 的关系为: η=δ(b0-a0) 根据给出的精度,就能确定斐波那契法需要的试 点数n。要使n足够大,满足
的梯度向量;H(x) 称为函数f(x)的海赛 (Hesse)矩阵。
定理1(必要条件):设R是n维欧氏空间上的某 一开集,f(x)在R上有一阶连续偏导数,若f(x)在x*∊R 上取得局部极值,则必有▽f(x*)=0。 满足梯度向量为0的点称为平稳点或驻点。 定理2(充分条件):设R是n维欧氏空间上的某一 开集,f(x)在R上有二阶连续偏导数,对x*∊R,若有 ▽f(x*)=0且H(x*)正定,则x*为f(x)的严格局部极小点。
斐波那契法的步骤: (1)确定试点个数n。根据相对精度δ,计算出对 Fn的要求,由斐波那契表确定最小的n。 (2)选取头两个试点的位置。 (3)计算f(t1)和f(t1'),并比较大小。若f(t1)<f(t1'), 则取a1=a0, b1=t1', t2'=t1;否则,取a1=t1, b1=b0, t2=t1'。 (4)一般地第k步迭代,计算tk、f(tk) 或tk'、f(tk') (其中的一个已经算出),计算公式为:
其中k=1,2,…,n-1。按照(3)的方法给出新区间[ak, bk]。
(5)进行到第n-1步时,tn-1=tn-1'=(an-2+bn-2) 2,取 (已算出) 得出最终区间[an-1, bn-1],并以函数值小者作为极小点。
例 试用斐波那契法求函数f(t)=t2-t+2在区间[-1,3]上的 极小点,要求缩短后的区间长度为原区间的0.08倍。 解:Fn≥1/0.08=12.5,查表得n=6; a0=-1, b0=3。 (1) t1=3-8/13[3-(-1)]=0.538,t1'=-1+8/13[3-(-1)]=1.462 f(t1)=0.5382-0.538+2=1.751,f(t1')= 1.4622-1.462+2=2.675 由于f(t1)<f(t1'), 故取a1=-1, b1=1.462, t2'=0.538, f(t2')=1.751 (2) t2=1.462-5/8[1.462-(-1)]=-0.077 f(t2)=(-0.077)2-(-0.077)+2=2.083, 可见f(t1)>f(t1') 故取a2=-0.077, b2=1.462, t3=0.538, f(t3)=1.751 (3) t3'=-0.077+3/5[1.462-(-0.077)]=0.846 f(t3')=0.8462-0.846+2=1.870, 可见f(t3)<f(t3') 故取a3=-0.077, b3=0.846, t4'=0.538, f(t4')=1.751 (4) t4=0.846-2/3[0.846-(-0.077)]=0.231 f(t4)=0.2312-0.231+2=1.822, 可见f(t4)>f(t4') 故取a4=0.231, b4=0.846, t5=0.538, f(t5)=1.751 (5) t5'=0.231+(1/2+0.01)(0.846-0.231)=0.545 f(t5')=0.5452-0.545+2=1.752, 可见f(t5)<f(t5') 故取a5=0.231, b5=0.545。近似地, 取t*=0.538, f(t*)=1.751
算法的收敛速度: 设序列{x(k)}收敛于x*,若存在β>0和α≥1,使k从大于 0的某个k0开始,都有‖x(k+1)-x*‖≤β‖x(k)-x*‖α成立,就 称{x(k)}收敛的阶数为α,或称{x(k)}为α阶收敛。 α=1(且β<1)时,称一阶收敛,也称线性收敛; α=2时,称二阶收敛,也称平方收敛; 1<α<2时,称超线性收敛。
算法终止计算的准则: (1)绝对误差 ‖x(k+1)-x(k)‖<ε1 |f(x(k+1))-f(x(k))|<ε2 (2)相对误差 ‖x(k+1)-x(k)‖/‖x(k)‖<ε1 |f(x(k+1))-f(x(k))|/|f(x(k))|<ε2 (3)目标函数梯度的模 ‖▽f(x(k+1))‖<ε5
定理4(二阶条件): 设f(x) 在n维欧氏空间上的开 凸集R上具有二阶连续偏导数,则f(x)是R上的凸函数的充 分必要条件是,f(x)的海赛矩阵H(x)在R上处处半正定。 把上述的半正定变为正定,就是严格凸函数的充分 必要条件。
例:分析
的凸凹性。
凸函数的极值: 一般函数的极小值问题非常复杂,而定义在凸集上 的凸函数的极小值就较为简单了。 定理5:若f(x)为定义在凸集R上的凸函数,则它的 任一极小点就是它在R上的全局极小点,且它的全部极 小点形成一个凸集。 定理6:设f(x)为定义在凸集R上的凸函数,若存在 点x*∊R,使得对于所有x∊R都有:▽f(x*)T(x-x*)≥0 则x*是f(x)在R上的全局极小点。 以上定理说明,定义在凸集上的凸函数,局部极小 点就是起全局极小点,平稳点就是其全局极小点。全局 极小点并不一定唯一,但若为严格凸函数,则全局极小 点就是唯一的了。
例2 为了进行多属性问题(假设有n个属性)的 综合评价,就需要确定每个属性的相对重要性,即求 它们的权重。为此将各属性的重要性进行两两比较, 从而得出判断矩阵
其中aij表示第i个属性与第j个属性的重要性之比试根 据判断矩阵J计算各属性的权重。 为从判断矩阵求出权重向量W=[w1, w2,…,wn]T, 应使wi(i=1,2,…,n)在最小二乘意义上尽可能满足判 断矩阵的估计。由aij≈wi∕wj,可得:
下降算法的每步迭代包含两个要点: 确定搜索方向p(k),是算法的关键,各种算法的区 分主要就在于确定搜索方向的方法不同。 求出步长λk,可取固定步长,更好的方法是求最佳 步长,即沿射线x=x(k)+λ p(k)使目标函数达到最小: λk :minf(x(k)+λp(k)) 这项工作是求一元函数的极小点,因而称为一维搜索。 一维搜索有个重要性质:在搜索方向上所得最优 点处的梯度和该搜索方向正交。 定理7:设函数f(x)具有一阶连续偏导数,x(k+1)按 下述规则产生: λk :minf(x(k)+λp(k)) x(k+1)=x(k)+λk p(k) 则有 ▽f(x(k+1))Tp(k)=0
上述两个例子的数学模型,在约束条件或目标函 数中出现了非线性函数,称为非线性规划问题。 非线性规划问题的数学模型可表示成以下形式:
也可表示成以下形式:
和线性规划问题相比,非线性规划问题的最优解 要复杂得多。 例如 min f(x)=(x1-2)2+(x2-2)2 h(x)=x1+x2-6=0
x2 6
1.5 下降迭代算法 为了求出函数的极小点,常要使用迭代法。 迭代法的基本思想: 首先给出一个初始估计x(0),然后按照某种规划 (算法)找出比x(0)更好的点x(1)(即f(x(1))<f(x(0))), 按此规则找出比x(1)更好的点x(2),…。从而得到解的序 列 { x ( k) } 。 若这个解序列有极限x*,则称它收敛于x*。 若算法是有效的,产生的解序列将收敛于该问题 的最优解。 由于算法产生的解序列{x(k)}使目标函数值f(x(k))逐 步减少,因而称为下降算法。
相关文档
最新文档