《机械优化设计》
第四章无约束优化方法§4-7 坐标轮换法
§4-3坐标轮换法
间接法：梯度法；牛顿法；变尺度法
共同点：求导数
直接法：直接用函数值
搜索方向如何定？
次搜索记为一轮，轮换迭代，求解极值点。
图4-12 坐标轮换法的基本原理示意图
图4-13坐标轮换法程序框图
的最优解。迭代精度，
0.1ε=z
例题：用坐标轮换法求目标函数
221
2
1212()41060
f x x x x x x =+???+x 初始点(1)
[00]T
=x 的最优解。迭代精度，
0.1ε=z
课后练习题：用坐标轮换法求目标函数221
2
12
()1610f x x x x =++x 初始点(1)
[43]T
=x （迭代两轮）
（迭代两轮）
#include
现代设计方法及其应用matlab程序作业（） 源程序： %坐标轮换法 clear e=input('输入精度要求e：'); X=input('输入初始点：'); syms t s a=10*X(1,1)^2+106*X(2,1)^2+10*X(1,1)*X(2,1)+96*X(1,1)+100*X(2,1); k=1; e1=[1;0]; e2=[0;1]; A=X; %A矩阵用于存储每一轮变换所得解 C=X+t*e1; %沿e1方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); t=solve(df); X=X+t*e1; C=X+s*e2; %沿e2方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); s=solve(df); X=X+s*e2; A=[A X]; b=10*X(1,1)^2+106*X(2,1)^2+10*X(1,1)*X(2,1)+96*X(1,1)+100*X(2,1); a=[a b]; B=A(:,k+1)-A(:,k); while double(sqrt(B(1,1)^2+B(2,1)^2))>e syms t s C=X+t*e1; %沿e1方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); t=solve(df); X=X+t*e1; C=X+s*e2; %沿e2方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); s=solve(df); X=X+s*e2; A=[A X]; b=10*X(1,1)^2+106*X(2,1)^2+10*X(1,1)*X(2,1)+96*X(1,1)+100*X(2,1); a=[a b];
行域 φ 内，选择一个初始点 X 然后确定一个可行 得一个目标函数有所改善的可行的新点 X 即完成了 第四章 约束优化设计 ● 概述 ● 约束坐标轮换法 ● 随机方向法 ● 罚函数法 概述 结构优化设计的问题，大多属于约束优化设计问题，其数学模型为： s .t . min f (x ) g u (x ) ≤ 0 h v (x ) = 0 x ∈ R n u = 1, 2,..., m v = 1, 2,..., p < n 根据求解方式的不同，可分为直接解法和间接解法两类。 直接解法是在仅满足不等式约束的可行设计区域内直接求出问题的约束最优解。属于 这类方法的有：随机实验法、随机方向搜索法、复合形法、可行方向法等。其基本思路： 在由 m 个不等式约束条件 gu(x )≤0 所确定的可 0 搜索方向 S ，且以适当的步长沿 S 方向进行搜索，取 1 一次迭代。以新点为起始点重复上述搜索过程，每次 均按如下的基本迭代格式进行计算： X k+1=X k +α k S k (k=0,1,2,..) 逐步趋向最优解， 直到满足终止准则才停止迭代。 直接解法的原理简单，方法实用，其特点是： 1） 由于整个过程在可行域内进行，因此，迭代计算 不论何时终止，都可以获得比初始点好的设计点。 2） 若目标函数为凸函数，可行域为凸集，则可获得全域最优解，否则，可能存在多个局 部最优解，当选择的初始点不同，而搜索到不同的局部最优解。 3） 要求可行域有界的非空集
φ(X,μ1,μ2)=F(X)+∑μ 1 G??g j X)??+∑μ2H??h k(X)?? a)可行域是凸集；b)可行域是非凸 集 间接解法 间接解法是将约束优化问题转化为一系列无约束优化问题来解的一种方法。由于间接解法可以选用已研究比较成熟的无约束优化方法，并且容易处理同时具有不等式约束和等式约束的问题。因而在机械优化设计得到广泛的应用。 间接解法中具有代表性的是惩罚函数法。将约束函数进行特殊的加权处理后，和目标函数 结合起来，构成一个新的目标函数，即将原约束优化问题转化为一个或一系列的无约束优 化问题。 m l j=1k=1 新目标函数 然后对新目标函数进行无约束极小化计算。 加权因子 间接法是结构优化设计中广泛使用的有效方法，其特点： 1）由于无约束优化方法的研究日趋成熟，为间接法提供可靠基础。这类算法的计算效率和数值计算的稳定性大有提高； 2）可以有效处理具有等式约束的约束优化问题； 3）目前存在的主要问题，选取加权因子较为困难，选取不当，不仅影响收敛速度和计算精度，甚至导致计算失败。
常用无约束最优化方法评价准则 方法算法特点适用条件 最速下降法属于间接法之一。方法简便，但要计算一阶偏导 数，可靠性较好，能稳定地使函数下降，但收敛 速度较慢，尤其在极点值附近更为严重 适用于精度要求不高或用于对 复杂函数寻找一个好的初始 点。 Newton法属于间接法之一。需计算一、二阶偏导数和Hesse 矩阵的逆矩阵，准备工作量大，算法复杂，占用 内存量大。此法具有二次收敛性，在一定条件下 其收敛速度快，要求迭代点的Hesse矩阵必须非 奇异且定型（正定或负定）。对初始点要求较高， 可靠性较差。 目标函数存在一阶\二阶偏导 数，且维数不宜太高。 共轭方向法属于间接法之一。具有可靠性好，占用内存少， 收敛速度快的特点。 适用于维数较高的目标函数。 变尺度法属于间接法之一。具有二次收敛性，收敛速度快。 可靠性较好，只需计算一阶偏导数。对初始点要 求不高，优于Newton法。因此，目前认为此法是 最有效的方法之一，但需内存量大。对维数太高 的问题不太适宜。 适用维数较高的目标函数 （n=10～50）且具有一阶偏导 数。 坐标轮换法最简单的直接法之一。只需计算函数值，无需求 导，使用时准备工作量少。占用内存少。但计算 效率低，可靠性差。 用于维数较低（n<5）或目标函 数不易求导的情况。 单纯形法此法简单，直观，属直接法之一。上机计算过程 中占用内存少，规则单纯形法终止条件简单，而 不规则单纯形法终止条件复杂，应注意选择，才 可能保证计算的可靠性。 可用于维数较高的目标函数。
常用约束最优化方法评价标准 方法算法特点适用条件 外点法将约束优化问题转化为一系列无约束优化问题。 初始点可以任选，罚因子应取为单调递增数列。 初始罚因子及递增系数应取适当较大值。 可用于求解含有等式约束或不等 式约束的中等维数的约束最优化 问题。 内点法将约束优化问题转化为一系列无约束优化问题。 初始点应取为严格满足各个不等式约束的内点， 障碍因子应取为单调递减的正数序列。初始障碍 因子选择恰当与否对收敛速度和求解成败有较大 影响。 可用于求解只含有不等式约束的 中等维数约束优化问题。 混合罚函数法将约束优化问题转化为一系列无约束优化问题， 用内点形式的混合罚函数时，初始点及障碍因子 的取法同上；用外点形式的混合罚函数时，初始 点可任选，罚因子取法同外点法相同。 可用于求解既有等式约束又有不 等式约束的中等维数的约束化问 题。 约束坐标轮换法由可行点出发，分别沿各坐标轴方向以加步探索 法进行搜索，使每个搜索点在可行域内，且使目 标函数值下降。 可用于求解只含有不等式约束， 且维数较低（n<5），目标函数的 二次性较强的优化问题。 复合形法在可行域内构造一个具有n个顶点的复合形，然 后对复合形进行映射变化，逐次去掉目标函数值 最大的顶点。 可用于求解含不等式约束和边界 约束的低维优化问题。
无约束优化方法---鲍威尔方法 本实验用鲍威尔方法求函数f(x)=(x1-5)2+(x2-6)2 的最优解。 一、简述鲍威尔法的基本原理 从任选的初始点x⑴o出发，先按坐标轮换法的搜索方向依次沿e1.e2.e3进行一维搜索，得各自方向的一维极小点x⑴ x⑵ x⑶.连接初始点xo⑴和最末一个一维极小点x3⑴,产生一个新的矢量 S1=x3⑴-xo⑴ 再沿此方向作一维搜索，得该方向上的一维极小点x⑴. 从xo⑴出发知道获得x⑴点的搜索过程称为一环。S1是该环中产生的一个新方向，称为新生方向。 接着，以第一环迭代的终点x⑴作为第二环迭代的起点xo⑵,即 Xo⑵←x⑴ 弃去第一环方向组中的第一个方向e1，将第一环新生方向S1补在最后，构成第二环的基本搜索方向组e2,e3,S1，依次沿这些方向求得一维极小点x1⑵,x2⑵,x3⑵.连接 Xo⑵与x3⑵,又得第二环的新生方向 S2=x3⑵-xo⑵ 沿S2作一维搜索所得的极小点x⑵即为第二环的最终迭代点 二、鲍威尔法的程序 #include "stdafx.h" /* 文件包含*/ #include
#include
项目三 常用无约束最优化方法（一） [实验目的] 编写最速下降法、Newton 法（修正Newton 法）的程序。 [实验学时] 2学时 [实验准备] 1．掌握最速下降法的思想及迭代步骤。 2．掌握Newton 法的思想及迭代步骤； 3．掌握修正Newton 法的思想及迭代步骤。 [实验内容及步骤] 编程解决以下问题：【选作一个】 1．用最速下降法求 22120min ()25[22]0.01T f X x x X ε=+==，，，． 2．用Newton 法求 22121212min ()60104f X x x x x x x =--++-， 初始点 0[00]0.01T X ε==，，． 最速下降法 Matlab 程序： clc;clear; syms x1 x2; X=[x1,x2]; fx=X(1)^2+X(2)^2-4*X(1)-6*X(2)+17; fxd1=[diff(fx,x1) diff(fx,x2)]; x=[2 3]; g=0; e=0.0005; a=1; fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); step=0; while g>e step=step+1; dk=-fan; %点x(k)处的搜索步长
ak=((2*x(1)-4)*dk(1)+(2*x(2)-6)*dk(2))/(dk(1)*dk(2)-2*dk(1)^2-2*dk(2)^2); xu=x+ak*dk; x=xu; %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf(' x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); %计算目标函数点x(k+1)处一阶导数值 fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); end %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf('\n最速下降法\n结果：\n x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); c++程序 #include
机械优化设计复习点 判断题，分析题，计算题 一，优化问题的基本解法（简答填空题）p27 （1）画图法找最小点 （2）解析解法 （3）数值的近似解法 二，数学基础（简答题） （1）方向导数和梯度（概念，关系）p31 p32 （2）泰勒展开的物理含义及表达式p35 物理含义：泰勒展开在优化方法中十分重要，许多方法及其收敛性证明都是从泰勒出发的，是把方程g(x)=0的解，写成曲线方程的形式看看和x轴有什么交点。泰勒公式的应用一般有三个方面： 1、利用泰勒展开式做代换求函数的极限。 2、利用泰勒展开式证明一些等式或者不等式。 3、应用拉格朗日余项,可以估值,求近似值。 表达式：矩阵形式和线性代数形式 p35 （3）极值条件 在什么条件下判断找到最优解（极值条件）？ p38 无约束优化问题：通过莫干函数求导等于0，等式约束：通过拉格朗日参数法求无约束优化物理含义：课件上(暂无） 线性组合概念：课件上(暂无） 不等式约束的基本条件： 通过一个双次（？）变量转换成等式约束，再利用拉格朗日来求极值条件。导数的kt条件和kuhn-taker条件 p46 不等式的表达条件和物理含义： 三，一维搜索方法（计算题为主） （1）一维搜入优化方法：p59 （2）计算题（书上和课件上题型） 模拟计算机计算流程，把一两个迭代步，计算过程写出来 （3）黄金分割法的原理及迭代的步骤 （4）二次插值法算法推导及原理 四，无约束的优化方法（最重点） （1）最速下降法，牛顿法，共轭方向法，变尺度法（大概）p69-p83 （2）牛顿法和最速下降法的区别p70-p74 最速下降法的优点是算法简单，每次迭代计算量小，占用内存量小，且对初始点要求不高，即使从一个不好的初始点出发，往往也能收敛到局部极小点，但它有一个严重缺点就是收敛速度慢，特别是当椭圆比较扁平时，最速下降法的收敛速度越慢牛顿法收敛速度非常快，具有二次收敛的优点，但它存在下面四个严重的
第四章 约束优化设计 ● 概述 ● 约束坐标轮换法 ● 随机方向法 ● 罚函数法 概述 结构优化设计的问题，大多属于约束优化设计问题，其数学模型为： 根据求解方式的不同，可分为直接解法和间接解法两类。 直接解法是在仅满足不等式约束的可行设计区域内直接求出问题的约束最优解。属于这类方法的有：随机实验法、随机方向搜索法、复合形法、可行方向法等。其基本思路： 在由m 个不等式约束条件g u (x )≤0所确定的可行域φ内，选择一个初始点0 X 然后确定一个可行搜索方向S ，且以适当的步长沿S 方向进行搜索，取得一个目标函数有所改善的可行的新点1 X 即完成了一次迭代。以新点为起始点重复上述搜索过程，每次均按如下的基本迭代格式进行计算： k+1k k k =+S (k=0,1,2,..)X X α逐步趋向最优解， 直到满足终止准则才停止迭代。 直接解法的原理简单，方法实用，其特点是： 1） 由于整个过程在可行域内进行，因此，迭代计算不论何时终止，都可以获得比初始点好 的设计点。 2） 若目标函数为凸函数，可行域为凸集，则可获得全域最优解，否则，可能存在多个局部 最优解，当选择的初始点不同，而搜索到不同的局部最优解。 3） 要求可行域有界的非空集 1,2,...,1,2,...,u m v p n == 间接解法 间接解法是将约束优化问题转化为一系列无约束优化问题来解的一种方法。由于间接解法可以选用已研究比较成熟的无约束优化方法，并且容易处理同时具有不等式约束和等式约束的问题。因而在机械优化设计得到广泛的应用。 间接解法中具有代表性的是惩罚函数法。将约束函数进行特殊的加权处理后，和目标函数结合起来，构成一个新的目标函数，即将原约束优化问题转化为一个或一系列的无约束优化问题。 然后对新目标函数进行无约束极小化计算。 间接法是结构优化设计中广泛使用的有效方法，其特点： 1） 由于无约束优化方法的研究日趋成熟，为间接法提供可靠基础。这类算法的计算效率和 数值计算的稳定性大有提高； 2） 可以有效处理具有等式约束的约束优化问题； 3） 目前存在的主要问题，选取加权因子较为困难，选取不当，不仅影响收敛速度和计算精 度，甚至导致计算失败。 a) 可行域是凸集；b)可行域是非凸集 () ()()()121211 ,,m l j k j k X F X G g X H h X φμμμμ==??=++? ?????∑∑ 新目标函数 加权因子 #include 第八章 无约束最优化的直接法 本章主要内容：坐标轮换法及其收敛性 模式搜索法及其收敛性 旋转方向法、 Powell 法。 教学目的及要求：掌握坐标轮换法并理解其收敛性，掌握模式搜索法并理解其收 敛性；了解旋转方向法、Powell 法。 教学重点：Powell 法． 教学难点：Powell 法． 教学方法：启发式． 教学手段：多媒体演示、演讲与板书相结合． 教学时间：6学时． 教学内容： §8.1 坐标轮换法 考虑无约束最优化问题 min ()f x ， （8.1.1） 其中,:n n x R f R R ∈→． 算法8-1（坐标轮换法） Step1 选取初始数据．选取初始点0x ，给定允许误差0ε>，令1k =． Step2 进行一维搜索．从1k x -出发，沿坐标轴方向010k e ?? ? ? ?= ? ? ??? 进行一维搜索， 求1k λ-和k x ，使得 111()min ()k k k k k f x e f x e λ λλ---+=+， 11k k k k x x e λ--=+． Step3 检查迭代次数．若k n =，转Step4；否则，令:1k k =+，返回Step2． Step4 检查是否满足终止准则．若0n x x ε-<，迭代终止，得n x 为问题（8.1.1）的近似最优解；否则，令0:,:1n x x k ==，返回Step2． 定理8.1.2 设:n f R R →具有一阶连续偏导数，0n x R ∈，记0()f x α=，且水平集(,)S f α有界．若{}k x 是用坐标轮换法求解问题（8.1.1）产生的点列，且在每次一维搜索中所得到的最优解都是唯一的，则 （1）当{}k x 为有穷点列时，其最后一个点是f 的平稳点； （2）当{}k x 为无穷点列时，它必有极限点，并且其任一极限点都是f 的平稳点． 例1 用坐标轮换法求解问题 2212112min ()3f x x x x x x =+--， （8.1.3） 其中12(,)T x x x =．取初始点(0)(0,0)T x =，允许误差0.1ε=． 解 从点(0)x 出发沿1e 进行一维搜索：(0)101000x e λλλ??????+=+= ? ? ???????，将 12,0x x λ==代入2212112()3f x x x x x x =+--中，易得 (1)(0)0013 3,(,0)22 T x x e λλ==+=； 从点(1)x 出发沿2e 进行一维搜索，得 (2)(1)112333,(,)424 T x x e λλ==+=； (2)(0)x x ε->． 再从点(2)x 出发沿1e 进行一维搜索，得 (3)(2)2213153,( ,)884 T x x e λλ==+=； 从点(3)x 出发沿2e 进行一维搜索，得 (4)(3)33231515,( ,)4816 T x x e λλ==+=； (4)(2)x x ε->． 再从点(4)x 出发沿1e 进行一维搜索，得 (5)(4)44136315 ,(,)323216 T x x e λλ= =+=； 现代设计方法及其应用matlab程序作业（7.18） 源程序： %坐标轮换法 clear e=input('输入精度要求e：'); X=input('输入初始点：'); syms t s a=10*X(1,1)^2+106*X(2,1)^2+10*X(1,1)*X(2,1)+96*X(1,1)+100*X(2,1); k=1; e1=[1;0]; e2=[0;1]; A=X; %A矩阵用于存储每一轮变换所得解 C=X+t*e1; %沿e1方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); t=solve(df); X=X+t*e1; C=X+s*e2; %沿e2方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); s=solve(df); X=X+s*e2; A=[A X]; b=10*X(1,1)^2+106*X(2,1)^2+10*X(1,1)*X(2,1)+96*X(1,1)+100*X(2,1); a=[a b]; B=A(:,k+1)-A(:,k); while double(sqrt(B(1,1)^2+B(2,1)^2))>e syms t s C=X+t*e1; %沿e1方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); t=solve(df); X=X+t*e1; C=X+s*e2; %沿e2方向搜索 x1=C(1,1); x2=C(2,1); df=diff(10*x1^2+106*x2^2+10*x1*x2+96*x1+100*x2); s=solve(df); X=X+s*e2; A=[A X]; 坐标轮换法 1、算法原理 坐标轮换法是每次搜索只允许一个变量变化，其余变量保持不变，即沿坐标方向轮流进行搜索的寻优方法。他爸多变量的优化问题轮流地转化成单变量（其余变量视为常数）的优化问题，因此又称这种方法为变量轮换法。在搜索过程中可以不需要目标函数的导数，只需要目标函数值信息。这比前面所讨论的利用目标函数导数信息建立搜索方向的方法要简单的多。 以二元函数飞f（x1,x2）为例说明坐标轮换法的寻优过程。从初始点x00出发，沿第一个坐标方向搜索，即d10=e1得x10=x00+a01*d01按照一维搜索方法确定最佳步长因子a01满足minf(x00+a*d01),然后从x01出发沿d02=e2方向搜索得x02=x01+a02*d02,其中步长因子a02满足minf(x01+a*d02),x02为一轮（k=0）的终点。检验始、终点之间的距离是否满足精度要求，即判断||x02-x00|| 《最优化方法》复习题 第一章 概述(包括凸规划) 一、 判断与填空题 1 )].([arg )(arg m in m ax x f x f n n R x R x -=∈∈ √ 2 {}{}.:)(min :)(max n n R D x x f R D x x f ?∈-=?∈ ? 3 设.:R R D f n →? 若n R x ∈*，对于一切n R x ∈恒有)()(x f x f ≤*，则称*x 为最优化问题 )(min x f D x ∈的全局最优解. ? 4 设.:R R D f n →? 若D x ∈*，存在*x 的某邻域)(*x N ε，使得对一切)(*∈x N x ε恒有)()(x f x f <*，则称*x 为最优化问题)(min x f D x ∈的严格局部最 优解. ? 5 给定一个最优化问题，那么它的最优值是一个定值. √ 6 非空集合n R D ?为凸集当且仅当D 中任意两点连线段上任一点属于D . √ 7 非空集合n R D ?为凸集当且仅当D 中任意有限个点的凸组合仍属于D . √ 8 任意两个凸集的并集为凸集. ? 9 函数R R D f n →?:为凸集D 上的凸函数当且仅当f -为D 上的凹函数. √ 10 设R R D f n →?:为凸集D 上的可微凸函数，D x ∈*. 则对D x ∈?，有).()()()(***-?≤-x x x f x f x f T ? 11 若)(x c 是凹函数，则}0)( {≥∈=x c R x D n 是凸集。 √ 12 设{}k x 为由求解)(min x f D x ∈的算法A 产生的迭代序列，假设算法A 为下降算法， 则对{} ,2,1,0∈?k ，恒有 )()(1k k x f x f ≤+ . 13 算法迭代时的终止准则（写出三种）：_____________________________________。 } 坐标轮换法C语言相关程序 #include<> #include<> float f(float x[]) { float z; z=4*(x[0]-5)*(x[0]-5)+(x[1]-6)*(x[1]-6); return z; } , float y,y1,y2,y3; float x1[2], x2[2], x3[2],s[2],a[2],b[2]; int i,n=2; huangjin() /*黄金分割法确定每轮最优值*/ { float e=,h0=,r=,h=h0; /*外推法确定区间*/ {y1=f(x1); for(i=0;i } for(i=0;i 内蒙古科技大学2007/2008学年第二学期 《现代机械设计方法》考试试题（B 卷） 课程号： 040151 考试方式：闭卷 使用专业、年级：机械制造及自动化各级 任课教师：李强，王春香，李丽 考试时间： 2008.10 备 注： 一、单项选择题（每题2分，共12分） 1. 属于约束优化问题求解算法中的间接法是：（ ）。 A 梯度法 B 罚函数法 C POWELL 法 2. 梯度为0是无约束目标函数存在极值的（ ）条件。 A 充要 B 充分 C 必要 3. 按优化方法类型划分，POWELL 法属于（ ）。 A 一维优化方法 B 无约束优化方法 C 约束优化方法 4. 不等式约束（ ）起作用约束。 A 不总是 B 一定是 C 一定不是 5. n 维目标函数的等值线（面，超曲面），可以（ ）反映函数的变化规律。 A 在任意维空间 B 在n 维空间 C 在n ＋1维空间 6. 机械工程中的优化问题多属于（ ）优化问题。 A 线性规划 B 无约束 C 约束非线性规划 二、填空题（每空1分，共18分） 1、设计的发展经历了3个阶段，包括： 、 、 。 2、提高价值可以从三个方面着手： 、 、 。 3、创造性思维的四对基本类型: 、 、 、 。 4、判定约束非线性规划优化问题中的某迭代点是否为约束极值点的必要 学生班级________________学 生学号：□□□□□□□□□□□□学 生姓名：________________ … ……………装订线………装订线………装订线…………试卷须与答题纸一并交监考教师…………装订线………装订线………装订线……………… 学生班级________________学生学号：□□□□□□□□□□□□学生姓名：________________ …………装订线………装订线………装订线…………试卷须与答题纸一并交监考教师…………装订线………装订线………装订线……………… 天津大学《最优化方法》复习题（含答案） 第一章 概述(包括凸规划) 一、 判断与填空题 1 )].([arg )(arg min max x f x f n n R x R x -=∈∈ √ 2 {}{} .:)(m in :)(m ax n n R D x x f R D x x f ?∈-=?∈ ? 3 设.:R R D f n →? 若n R x ∈*，对于一切n R x ∈恒有)()(x f x f ≤*，则称*x 为最优化问题 )(min x f D x ∈的全局最优解. ? 4 设.:R R D f n →? 若D x ∈*，存在*x 的某邻域)(*x N ε，使得对一切 )(*∈x N x ε恒有)()(x f x f <*，则称*x 为最优化问题)(min x f D x ∈的严格局部最 优解. ? 5 给定一个最优化问题，那么它的最优值是一个定值. √ 6 非空集合n R D ?为凸集当且仅当D 中任意两点连线段上任一点属于D . √ 7 非空集合n R D ?为凸集当且仅当D 中任意有限个点的凸组合仍属于D . √ 8 任意两个凸集的并集为凸集. ? 9 函数R R D f n →?:为凸集D 上的凸函数当且仅当f -为D 上的凹函数. √ 10 设R R D f n →?:为凸集D 上的可微凸函数，D x ∈*. 则对D x ∈?，有).()()()(***-?≤-x x x f x f x f T ? 11 若)(x c 是凹函数，则}0)( {≥∈=x c R x D n 是凸集。 √ 12 设{}k x 为由求解)(min x f D x ∈的算法A 产生的迭代序列，假设算法A 为下降算法， 则对{}Λ,2,1,0∈?k ，恒有 )()(1k k x f x f ≤+ . 第三章无约束最优化方法 本章内容及教学安排 第一节概述 第二节迭代终止原则 第三节常用的一维搜索方法 第四节梯度法 第五节牛顿法 第六节共轭方向法 第七节变尺度法 第八节坐标轮换法 第九节鲍威尔方法 第一节概述 优化问题可分为 无约束优化问题 有约束优化问题 无约束最优化问题求解基于古典极值理论的一种数值迭代方法，主要用来求解非线性规划问题 迭代法的基本思想： 所以迭代法要解决三个问题 1、如何选择搜索方向 2、如何确定步长 3、如何确定最优点（终止迭代） 第二节 迭代终止准则 1）1K K X X ε+-≤ 111/2 21K K K K n i i i X X X X ε++=??-=-≤???? ∑（） 2） 11()()()() () K K K K K f X f X f X f X or f X ε ε ++-≤-≤ 3）(1)()K f X ε+?≤ 第三节 常用的一维搜索方法 本节主要解决的是如何确定最优步长的问题。 从初始点(0)X 出发，以一定的步长沿某一个方向，可以找到一个新的迭代点，其公式如下： (1)(0)00(2)(1)11(1)() K K k k X X S X X S X X S ααα+=+=+= + 现在假设K S 已经确定，需要确定的是步长k α，就把求多维目标函数的极小值这个多维算过程中，当起步点和方向问题，变成求一个变量即步长的最优值的一维问题了。即 (1)()min ()min ()min ()K K K k k f X f X S f αα+=+= 由此可见，最佳步长*K α由一维搜索方法来确定 求*k α，使得()()()()()()min K K K K f f X S αα=+→ 一、一维搜索区间的确定 区间[,]a b 应满足 ()(*)()f a f f b α>< 机械优化设计复习题 一、单项选择题 1.机械优化设计中，凡是可以根据设计要求事先给定的独立参数，称为（ ） （P19-21） A ． 设计变量 B ．目标函数 C ．设计常量 D ．约束条件 2.下列哪个不是优化设计问题数学模型的基本要素（ ）（P19-21） A ．设计变量 B .约束条件 C .目标函数 D .最佳步长 3.凡在可行域内的任一设计点都代表了一允许采用的方案，这样的设计点为（ ） （P19-21） A .边界设计点 B .极限设计点 C .外点 D .可行点 4.当设计变量的数量n 在下列哪个范围时，该设计问题称为中型优化问题 （P19-21） A .n<10 B .n=10~50 C .n<50 D .n>50 5. 机械最优化设计问题多属于什么类型优化问题（ ）（P19-24） A .约束线性 B .无约束线性 C .约束非线性 D .无约束非线性 6. 工程优化设计问题大多是下列哪一类规划问题（ ）（P22-24） A .多变量无约束的非线性 B .多变量无约束的线性 C .多变量有约束的非线性 D .多变量有约束的线性 7. n 元函数在()k x 点附近沿着梯度的正向或反向按给定步长改变设计变量时，目 标函数值（ ）（P25-28） A .变化最大 B .变化最小 C .近似恒定 D .变化不确定 8.()f x ?方向是指函数()f x 具有下列哪个特性的方向（ ）（P25-28） A . 最小变化率 B .最速下降 C . 最速上升 D .极值 9. 梯度方向是函数具有（ ）的方向 （P25-28） A ．最速下降 B ．最速上升 C ．最小变化 D ．最大变化率 10. 函数()f x 在某点的梯度方向为函数在该点的（）（P25-28） A .最速上升方向 B .上升方向 C .最速下降方向 D .下降方向 11. n 元函数()f x 在点x 处梯度的模为（ ）（P25-28） A .f ?= B .12...n f f f f x x x ????=++??? C .22212()()...()n f f f f x x x ????=++??? D .f ?=12.更适合表达优化问题的数值迭代搜索求解过程的是（ ） （P25-31） A ．曲面或曲线 B ．曲线或等值面 C ．曲面或等值线 D ．等值线或等值面 13.一个多元函数()f x 在*x 点附近偏导数连续，则该点为极小值点的充要条件 （ ）（P29-31） A.*()0f x ?= B. *()0G x = C. 海赛矩阵*()G x 正定 D. **()0G()f x x ?=，负定 无约束最优化直接方法和间接方法的异同 无约束最优化直接方法和间接方法的异同一、什么是无约束最优化 最优化方法（也称做运筹学方法）是近几十年形成的，它主要运用数学方法研究各种系统的优化途径及方案，为决策者提供科学决策的依据。最优化方法的主要研究对象是各种有组织系统的管理问题及其生产经营活动。其的目的在于针对所研究的系统，求得一个合理运用人力、物力和财力的最佳方案，发挥和提高系统的效能及效益，最终达到系统的最优目标。实践表明，随着科学技术的日益进步和生产经营的日益发展，最优化方法已成为现代管理科学的重要理论基础和不可缺少的方法，被人们广泛地应用到公共管理、经济管理、工程建设、国防等各个领域，发挥着越来越重要的作用。 最优化问题分为无约束最优化和约束最优化问题，约束最优化问题是具有辅助函数和形态约束条件的优化问题，而无约束优化问题则没有任何限制条件。无约束最优化问题实际上是一个多元函数无条件极值问题。 虽然在工程实践中，大多数问题都是具有约束的优化问题，但是优化问题的处理上可以将有约束的优化问题转化为无约束最优化问题，然后按无约束方法进行处理。或者是将约束优化问题部分转化为无约束优化问题，在远离极值点和约束边界处按无优化约束来处理，在接近极值点或者约束边界时按照约束最优化问题处理。所以无约束优化问题的解法不仅是优化设计方法的基本组成部分，也是优化方法的基础。 无约束最优化方法大致分为两类：一类是使用导数的间接方法，即在计算过程中要用到目标函数的导数；另一类是直接方法，即只要用到目标函数值，不需要计算导数。这里我们比较这两类方法的异同。 二、无约束最优化方法 1. 使用导数的间接方法 1.1 最速下降法 函数的负梯度方向是函数值在该点下降最快的方向。将n维问题转化为一系列沿负梯度方向用一维搜索方法寻优的问题，利用负梯度作为搜索方向，故称机械优化设计坐标轮换发c语言
8无约束最优化的直接法
坐标轮换法matlab程序
坐标轮换法
天津大学-研究生-最优化方法复习题
坐标轮换法C语言相关程序
内蒙古科技大学2007-2008《现代机械设计方法》考试试题(B卷)
天津大学《最优化方法》复习题(含答案)
第三章 无约束最优化方法
机械优化设计习题集
无约束最优化直接方法和间接方
相关主题
文本预览