当前位置：文档之家 › 最优化方法课件014

最优化方法课件014

  • 格式：ppt
  • 大小：932.50 KB
  • 文档页数：7

下载文档原格式

  / 7

合集下载

最优化方法课程PPT

最优化方法课程PPT
x
∞
表示
= max { xi }
x 1 = ∑ xi
x 2 = (∑ x
1 2 2 i
)
7
二、数学预备知识
范数的内积 范数不等式
x y = ∑ xi yi
T i =1 n
x+ y ≤ x + y
三角不等式 柯西不等式
x0 = ( x1 ( 0 ) , x2 ( 0 ) ,..., xn ( 0 ) )
() () ()
4
一、最优化方法的基本概念
(2) 非线性规划 非线性规划(Nonlinear Programming, NLP)
f(x)，Ci(x) ( i ∈ E U I )，其中之一均为线性函数 ，
(3) 无约束最优化问题 Unconstraint Optimization Problem) 无约束最优化问题(
λ)x(2)
x(2)
x
17
二、数学预备知识
(3) 凸函数的判定准则 一阶判定条件： 在凸集S上具有一阶连续偏导数 一阶判定条件： f(x)在凸集 上具有一阶连续偏导数，则 在凸集 上具有一阶连续偏导数， f(x)为S上凸函数的充要条件是 为 上凸函数的充要条件是
f x
f(x)
( ) ≥ f ( x ) + ∇f ( x ) ( x ( ) − x ( ) )
x
2 21 1
没有约束条件C 没有约束条件 i(x)
5
一、最优化方法的基本概念
4 数学规划模型的分类 主要是针对决策变量x 来进行分类： 主要是针对决策变量 1, x2,…xn来进行分类：
连续型 离散型
线性规划 LP (有、无约束 有 无约束)
非线性规划NLP 非线性规划 (有、无约束 有 无约束)

最优化理论与方法概述 ppt课件

最优化理论与方法概述 ppt课件
t f X0 tpT p t pT 2 f X0 tp p.
PPT课件
17
3、 多元函数的Taylor展开
多元函数Taylor展开式在最优化理论中十分重要。 许多方法及其收敛性的证明都是从它出发的。
定理：设 f : Rn R具1 有二阶连续偏导数。则：
g* f (x*) 0，G* 2 f (x*)半正定
PPT课件
24
5、凸集、凸函数和凸规划
凸集和凸函数在非线性规划的理论中具有重要作用，下面 给出凸集和凸函数的一些基本知识。
定义1 设 D Rn，若对D中任意两点 x(1)与 x(2)，连接 x(1)
与 x(2) 的线段仍属于D；换言之，对 x(1)，x(2)∈D，
配料
每磅配料中的营养含量
钙
蛋白质
纤维
石灰石 谷物 大豆粉
0.380 0.001 0.002
0.00
0.00
0.09
0.02
0.50 PPT课件
0.08
每磅成本（元）
0.0164 0.0463 0.1250 4
解:根据前面介绍的建模要素得出此问题的数学模型如下:
设 x1 x2 x3 是生产100磅混合饲料所须的石灰石、谷物、
2 f 0 x1x3
故Hesse阵为：
2 f x22
2,
2 f 2, x2x3
2 f x32Leabharlann 2 2 2 0 2 f X 2 2 2
0 2 2
PPT课件
16
下面几个公式是今后常用到的：
（1）f X bT X ，则 f X b. 2 f X 0nn
2 f X

《最优化方法》课件

《最优化方法》课件
7பைடு நூலகம்
5
2. 学习本课程所需的数学知识
向量、向量的模（范数）、向量的运算、 线性相关与无关、基. 矩阵的运算及性质、矩阵的秩、特征值、正定性。 向量函数、连续性、可微性、 梯度、海森矩阵、向量函数（多元函数）的Taylor定 理
6
3. 学习要求
掌握主要的优化模型的数学计算方法. 了解优化方法的数学原理. 了解现代优化方法. 熟练掌握应用数学软件计算优化问题.
3
二次大战以后，在军事运筹小组中工作过的一部分科 学家开始转入民用部门，他们把对军事系统最优化的研究 成果拓展到各种民用系统的研究上。
1947年美国数学家G.B.Dantzig在研究美国空军资源 配置时,提出了求解线性规划的有效方法—单纯形法。二 十世纪五十年代初，应用计算机求解线性规划获得成功。
2
运筹学这一名词最早出现于1938年。当时英，美等国盟军 在与德国的战争中遇到了许多错综复杂的战略和战术问题难以 解决，比如
(１)防空雷达的布置问题：
(２)护航舰队的编队问题：
为了应付上述各种复杂问题，英美等国逐批召集不同专业 背景的科学家，在三军组织了各种研究小组，研究的问题都是 军事性质的，在英国称为“Operational Research”，其他英语 国家称为“Operations Research”，意思是军事行动研究。这些 研究小组运用系统优化的思想，应用数学技术分析军事问题， 取得了非常理想的效果。
至五十年代末，一些工业先进国家的大型企业已经较 普遍地使用运筹学方法解决在生产经营管理中遇到的实际 问题，并取得了良好的效果，至六十年代中期，运筹学开 始应用于一些服务性行业和公用事业。
4
我国运筹学的研究始于五十年代中期，当时由钱学森教 授将运筹学从西方国家引入我国，以华罗庚教授为首的一大 批科学家在有关企事业单位积极推广和普及运筹学方法，在 建筑，纺织，交通运输，水利建设和邮电等行业都有不少应 用。关于邮递员投递的最佳路线问题就是由我国年轻的数学 家管梅谷于1962年首先提出的，在国际上统称为中国邮递员 问题。我国运筹学的理论和应用研究在较短时间内赶上了世 界水平。

最优化方法PPT

最优化方法PPT

共117页第8页
同时太阳系这个"整体"又是它所属的"更大整 体"--银河系的一个组成部分。世界上的具体系统是 纷繁复杂的，必须按照一定的标准，将千差万别的 系统分门别类，以便分析、研究和管理，如：教育 系统、医疗卫生系统、宇航系统、通讯系统等等。 如果系统与外界或它所处的外部环境有物质、能量 和信息的交流，那么这个系统就是一个开放系统， 否则就是一个封闭系统。开放系统具有很强的生命 力，它可能促进经济实力的迅速增长，使落后地区 尽早走上现代化。如改革开放以来已大大增强了我 们的综合国力。而我国的许多边远山区农村，由于 交通不便，相对封闭，还处于比较落后的状态。
会科学和思维科学的相互渗透与交融汇流，产生了 具有高度抽象性和广泛综合性的系统论、控制论和 信息论。
系统论是研究系统的模式、性能、行为和规律 的一门科学。它为人们认识各种系统的组成、结构、 性能、行为和发展规律提供了一般方法论的指导。 系统论的创始人是美籍奥地利理论生物学家和哲学 家路德维格·贝塔朗菲。系统是由若干相互联系的 基本要素构成的，它是具有确定的特性和功能的有 机整体。如太阳系是由太阳及其围绕它运转的行星 （金星、地球、火星、木星等等）和卫星构成的。
从数学上比较一般的观点来看，所谓最优化问题可 以概括为这样一种数学模型：给定一个“函数”，F(X)， 以及“自变量”X应满足的一定条件，求X为怎样的值时， F(X)取得其最大值或最小值。这里在函数和自变量两个 词上之所以打上引号，是想强调它们的含意比中学数学 和大学微积分中函数的定义要广泛得多。通常，称F(X) 为“目标函数”，X应满足的条件为“约束条件”。约 束条件一般用一个集合D表示为：X∈D。求目标函数 F(X)在约束条件X∈D下的最小值或最大值问题，就是一 般最优问题的数学模型，它还可以利用数学符号更简洁 地表示成：Min F(X)或Max F(X)。

最优化方法第一次PPT课件

最优化方法第一次PPT课件
12
本课程对学生的具体要求为： ①理解最优化的基本概念、算法原理和 算法结构； ②熟悉几种常用的经典优化算法，知晓 其优缺点及适用范围； ③了解模拟退火算法和遗传算法的基本 原理； ④能较为熟练地运用Lingo软件求解各种 优化问题。
13
3. 编程要求 基于下列理由，本门课要求学生对2~3个
基本优化算法（如一维搜索、梯度法、变尺 度法、模拟退火、基本遗传算法）编制出通 用 程 序 ， 编 程 工 具 建 议 采 用 C++ 、 Matlab 或 Maple。
前面提到的算法是最优化的基本方法， 它们简单易行，对于性态优良的一般函数， 优化效果较好。但这些经典的方法是以传统 微积分为基础的，不可避免地带有某种局限
5
局限性，主要表现为：①大多数传统优化方 法仅能计算目标函数的局部最优点，不能保 证找到全局最优解。对于多峰值函数，这些 方法往往由于过分追求“下降”而陷于局部 最优解；②许多传统优化方法对目标函数的 光滑性、凹凸性等有较高的要求，对于离散 型函数、随机型函数基本上无能为力。
15
③Lingo、Matlab优化工具箱等优化软件 功能的确强大，但它们也不是万能的。首先, 对于某些优化问题，这些工具软件有都求不 出最优解。其次不能保证对任何优化问题都 有现成的工具软件，实际上，许多现代优化 方法都不可能编制成通用软件；
④熟练使用相关科技软件、具有一定的 编程水平是工科研究生所必须具有的素养， 从某种程度上讲，后者更能反映出个人的能
7
二、《最优化方法》课程主要内容 本门课程的主要内容为常用经典优化方
法、现代优化方法中的模拟退火算法和遗传 算法以及运筹优化软件Lingo简介。
经典优化方法包括： 1.常用的一维搜索方法——黄金分割法、 Fibonacci法和解析法； 2. 最速下降法、共轭梯度法； 3. 牛顿法；

最优化方法 尹秋响课件第四章

最优化方法 尹秋响课件第四章

二次插值多项式近似法（抛物线法） （二）二次插值多项式近似法（抛物线法）的基本原理 在三点x 上的函数值分别为f 设目标函数 f(x)在三点 1 < x2 <x3 上的函数值分别为 1 , f2 , f3 在三点 相应的二次插值多项式为 P2(x)=a0＋a1x + a2x2 令P2(x) 和f(x)在三点上的函数值相等 在三点上的函数值相等 f(x) P2(x1)=a0+a1x1 + a2x12 ＝f1 P2(x2)=a0+a1x2 + a2x22＝f2 P2(x3)=a0+a1x3 + a2x32＝f3 a0, a1, a2 a * ’(x)＝a +2a x =0 的解 x = − 1 P2(x)的平稳点是 P2 ＝ 1 的平稳点是 2 2a 所以只需求出a 所以只需求出 1, a2, 最后得
f(x) f(x) f(x) f(x)
a
b
x
a
a b
x
a
b
b
x
x
连续单峰函数
不连续单峰函数
非单峰函数离散单峰函数
单峰函数具有一个重要的消去性质 定理： 是区间[a,b]上的一个单峰函数，x*∈[a,b]是其极小 上的一个单峰函数， 定理：设f(x)是区间 是区间 上的一个单峰函数 是其极小 上的任意两点， 点， x1 和x2是[a, b]上的任意两点，且a<x1 <x2<b，那么比较 1) 上的任意两点 ，那么比较f(x 的值后， 与f(x2)的值后，可得出如下结论： 的值后 可得出如下结论： （I） 若f(x1)≥f(x2)，x*∈[x1,b] ） ，
x1 x3 x2 P2(x) 三个待定系数
2
பைடு நூலகம்

最优化方法讲稿

第五章 最优化方法在国民经济各部门和科学技术的各个领域中普遍存在着最优化问题(如工业设计中的参数选择,资源合理分配等等).最优化问题的解就是从所有可能的方案中选出最合理的, 以达到最优目标的方案--最优方案. 搜寻最优方案的方法就是最优化方法. 随着计算机科学的发展和广泛应用, 应用最优化方法解决问题的领域不断扩大, 解决问题的深度不断深化, 最优化的理论和方法也不断得到普及和发展. 近几年的大学生数学建模竞赛题目很多都与最优化问题有关(如飞行管理问题(95A),最优捕鱼策略(96A),节水洗衣机(96B),零件参数设计(97A),投资的收益和风险(98A),钢管订购和运输(2000B)). 这里, 我们主要介绍最典型的优化模型及应用背景、相关的优化理论和最常用的优化算法.建立最优化问题的数学模型, 首先要确定问题的决策变量, 用n 维向量表示T n x x x x ),,,(21⋅⋅⋅=, 然后构造模型的目标函数f(X)和决策变量的允许取值范围,称可行域,常用一组不等式),,2,1(0)(m i x g i ⋅⋅⋅=≤来界定, 称为约束条件. 一般地,这类模型可表述成如下形式:)((max)min x f z x= (0.1)s.t. m i x g i ,,2,1,0)(⋅⋅⋅=≤ (0.2)只满足(0.2)的解x 称可行解, 同时满足(0.1)、（0.2）的解*x x =称为最优解.§1 线性规划如果(0.1)(0.2)中的目标函数f(x)和约束条件)(x g j 都是线性函数, 该模型称为线性规划.模型为,..)(min ≥≤=x b Ax t s xc x f （LP ）1．1 线性规划模型的标准型:cx f =min (1)s.t. b Ax = (2)其中),,,(,),,,(,),,,(,)(212121n T m T n n m ij c c c c b b b b x x x x a A ⋅⋅⋅=⋅⋅⋅=⋅⋅⋅==⨯线性规划的其他形式可通过形式变换和添加松弛变量而化为标准型.1．2 求解方法:单纯形方法是通过迭代来求问题（LP ）的最优解，在一个基本可行解非最优时，确定一个更优的基本可行解，形成一个使目标函数单调减的基本可行解序列,,)2()1(x x ，经有限步即可求得最优解1．3 模型示例:例1.1 运输问题:设有m 个生产地点m A A A ,,,21 可供应物资,其供应量(产量)分别为m a a a ,,,21 .有n 个销售地点n B B B ,,,21 ,其需求量分别为n b b b ,,,21 , 假设供需平衡既∑∑===ni im i ib a 11.用ijc表示由i i B A 到运输单位物资的运价, 如何确定一种调运方案才能使总运输费用I 最小.用ij x 表示由i i B A 到调运物资的数量, 则运输问题的数学模型为: ijm i nj ij xc I ∑∑===11mins.t.,,2,1,,,2,1,11≥====∑∑==ij i mi iji nj ijx n j b xm i a x1．4 利用MATLAB 优化工具箱解线性规划 Matlab 求解线性规划的命令为 1) x=lp(c,A,b)2) x=lp(c,A,b,vlb,vub)3) x= lp(c,A,b,vlb,vub,x0);x0表示初始点4) x= lp(c,A,b,vlb,vub,x0,N);x0表示初始点,N 表示前N 个约束是等式约束其中1)用于求解模型cx Z =min s.t. b Ax ≤ 2)、3)、4)用于求解cx Z =min s.t. vubx vlb b Ax ≤≤≤例1 求解线性规划问题cx z =maxs.t.≥≤x b Ax其中c=[-0.4,-0.28,-0.32,-0.72,-0.64,-0.6]A=[0.01 0.01 0.01 0.03 0.03 0.03 0.02 0 0 0.05 0 0 0 0.02 0 0 0.05 0 0 0 0.03 0 0 0.08] b=[850;700;100;900] vlb=[0;0;0;0;0;0] vub=[]解 用命令2）c=[-0.4,-0.28,-0.32,-0.72,-0.64,-0.6];A=[0.01 0.01 0.01 0.03 0.03 0.03;0.02 0 0 0.05 0 0; 0 0.02 0 0 0.05 0; 00 0.03 0 0 0.08];b=[850;700;100;900]; vlb=[0;0;0;0;0;0]; vub=[];x=lp(c,A,b,vlb,vub) f=c*x例2 求解线性规划问题20500,30120..436min 321321321≥≤≤≥=++++=x x x x x x t s x x x z解 用命令4) c=[6,3,4];A=[1,1,1;0,1,0]; b=[120;50]; vlb=[30,0,20]; vub=[]; x0=[0;0;0];x=lp(c,A,b,vlb,vub,x0,1) z=c*x§2 整数线性规划在某些线性规划问题中,决策变量只能取整数（如人数、机器的数量）,这时约束条件中还需添加变量取整的限制,这就是整数线性规划,模型的一般形式为),,2,1(min n j x bAx cxz j ⋅⋅⋅===为非负整数 （ILP ）如果其中只有部分变量取整数,称为混合整数规划. 决策变量只能取整数0或1的称为0-1规划2．1 整数线性规划的求解方法2．1.1割平面法—用于求解纯整数规划2．1.2 分枝定界法—用于求解混合整数规划. 2．1．3 穷举法-用于规模不大的整数问题的求解 2．2 建模示例例2.1 背包问题：有一只背包(泛指仓库、船舱、卫星仓等)，最大装载重量为w 单位。

最优化及最优化方法讲稿

最优化及最优化方法讲稿ppt xx年xx月xx日CATALOGUE目录•最优化问题概述•线性规划问题及其求解方法•非线性规划问题及其求解方法•动态规划问题及其求解方法•最优化算法的收敛性分析•最优化算法的鲁棒性分析•最优化算法的应用举例 - 解决生产调度问题01最优化问题概述最优化问题是一个寻找某个或多个函数的特定输入，以使该函数的输出达到最小或最大的问题。

定义根据不同的分类标准，可以将最优化问题分为线性规划、非线性规划、多目标规划、约束规划等。

分类最优化问题的定义与分类描述所追求的最小或最大值的函数。

目标函数约束条件数学模型限制搜索范围的约束条件。

目标函数和约束条件的数学表达。

03最优化问题的数学模型0201最优化问题的求解方法牛顿法利用目标函数的Hessian矩阵（二阶导数矩阵）进行搜索。

梯度下降法迭代搜索，逐步逼近最优解。

混合整数规划将整数变量引入优化模型中，求解整数规划问题。

模拟退火算法以概率接受劣质解，避免陷入局部最优解。

进化算法模拟生物进化过程的启发式搜索算法。

02线性规划问题及其求解方法线性规划问题定义：在一组线性约束条件下，求解一组线性函数的最大值或最小值的问题。

数学模型：将实际问题转化为线性规划模型，包括决策变量、目标函数和约束条件。

线性规划问题的求解方法 - 单纯形法基本概念：介绍单纯形法的相关概念，如基、可行解、最优解等。

单纯形法步骤：阐述单纯形法的基本步骤和算法流程，包括初始基可行解的求解、最优解的迭代搜索和最终最优解的确定。

单纯形法改进：介绍一些改进的单纯形法，如简化单纯形法、对偶单纯形法等。

线性规划问题的定义与数学模型通过一个具体的生产计划问题，说明如何建立线性规划模型并进行求解。

生产计划问题通过一个配货问题，说明如何运用线性规划模型解决实际问题。

配货问题通过一个投资组合优化问题，说明如何运用线性规划进行风险和收益的平衡。

投资组合优化问题线性规划问题的应用举例03非线性规划问题及其求解方法非线性规划问题定义：非线性规划问题是一类求最优解的问题，其中目标函数和约束条件均为非线性函数。

最优化方法讲稿-4


} 是有穷点列时，其最后一个点是 f 的稳定点； } 是无穷点列时，它必有极限点，其任一极限点都是 f 的稳定点；
(k )
(k )
（3）当 f 是凸函数时， {x 证明 （1）如果 {x
(k ) (k )
} 的任一极限点都是(UCOP)的全局最优解。
} 是有穷点列，设为 {x ( 0) , x (1) , L , x ( k ) } ，则 x ( k ) 必已达到终止
即 α k 是方程 ∇f ( x 当 f ( x) =
(k )
+ αp ( k ) ) T p ( k ) = 0 的解。
1 T x Ax + b T x + c 时，有 ∇f ( x) = Ax + b ，从而 2
∇f ( x ( k ) + αp ( k ) ) = A( x ( k ) + αp ( k ) ) + b = Ax ( k ) + b + αAp ( k ) = ∇f ( x ( k ) ) + αAp ( k ) .
* * * * *
f ( x * + α * p * ) < f ( x * ).
另一方面，有
（1.1）
f ( x ( ki +1) ) = min f ( x ( ki ) + αp ( ki ) )
α ≥0
≤ f ( x ( ki ) + α * p ( ki ) ) = f ( x ( ki ) − α *∇f ( x ( ki ) )),
(1)
) = 0 ，故 x (1) 是问题的全局最优解。
设 f 连续可微，水平集
定理 1.2
D( f ( x ( 0 ) )) = {x ∈ R n | f ( x) ≤ f ( x ( 0 ) )}

最优化计算方法课件优选演示


ezplot(y,[19,20]); grid on
(130-2 x) exp(1/40 x)-9/20 x 139.395 139.394 139.393 139.392 139.391 139.39 139.389 139.388 139.387 139.386 139.385
19 19.1 19.2 19.3 19.4 19.5 19.6 19.7 19.8 19.9 20 x
数值方法求解--Matlab
dydx = diff(y,x) xmax = solve(dydx); xmax = double(xmax) xmax =xmax(1) ymax=subs(y,x,xmax)
Newton 法
▪ 求方程F(x)=0的根. ▪ 牛顿法： x(n)=x(n-1)-F(x(n-1))/F’(x(n-1))
0.91
0.91
8 (x 3)2 ( y 1)2 6 (x 5)2 ( y 1)2 ] / 84
▪ 问题为在区域0=<x=<6, 0=<y=<6上求z=f(x,y)的 最小值。
绘制目标函数图形
clear all syms x y r1 = sqrt((x-1)^2+(y-5)^2)^0.91; r2 = sqrt((x-3)^2+(y-5)^2)^0.91; r3 = sqrt((x-5)^2+(y-5)^2)^0.91; r4 = sqrt((x-1)^2+(y-3)^2)^0.91; r5 = sqrt((x-3)^2+(y-3)^2)^0.91; r6 = sqrt((x-5)^2+(y-3)^2)^0.91; r7 = sqrt((x-1)^2+(y-1)^2)^0.91; r8 = sqrt((x-3)^2+(y-1)^2)^0.91; r9 = sqrt((x-5)^2+(y-1)^2)^0.91; z = 3.2+1.7*(6*r1+8*r2+8*r3+21*r4+6*r5+3*r6+18*r7+8*r8+6*r9)/84; ezmesh(z)
  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)。
值,所以一元凸函数表示连接函数图形上任 意两点的线段总是位于曲线弧的上方.
13
对于一元凸函数f(x),可以发现,位于函数曲线 上方的图形是凸集.事实上这一结论对于多元 函数也是成立的,而且是充要条件,即有下面的 定理.
定理:设f(x)是定义在凸集D Rn上的函数,则 f(x)是凸函数的充要条件是其上图epi(f)为凸 集,其中epi(f)={(x,y)|x∈ D,y ∈ R,y≥f(x)}. 证明:作业
17
凸函数的判断
18
一阶条件
定理1.7.2 (一阶条件) 设在凸集D Rn上f(x)可微,则f(x)在D上为凸函 数的充要条件是对任意的x,y ∈ D,都有
下面的图形给出了凸函数f(x,y)=x4+3x2+y4+y2+xy 的等值线(f(x,y)=2,4,6,8,10,12)的图形.可以看出 水平集为凸集.
15
凸函数的性质
2
1
0
-1
-2
-1.5
-1
-0.5
0
0.5
1
1.5
16
凸函数的判断
定理1.7.1 设f(x)定义在凸集D Rn上,x,y∈D.
令F (t)=f (tx+(1-t)y), t ∈ [0,1],则
§1.7 凸集与凸函数
1
凸集
定义1.7.1 设集合D Rn,若对于任意点x,y∈ D,
及实数a a 1,都有 ax+(1-a)y ∈ D,
则称集合D为凸集. 常见的凸集:空集(补充定义),整个欧式空间Rn, 超平面 H={x∈ Rn|a1x1+a2x2+…anxn=b} 半空间 H+={x∈Rn|a1x1+a2x2+…anxn≥b}
14Leabharlann 函数的性质(i)设f(x)是凸集D Rn上的凸函数,实数k≥0,则 kf(x)也是D上的凸函数.
(ii)设f1(x), f2(x)是凸集D Rn上的凸函数,实数
m 0,则f1(x)+m f2(x)也是D上的凸函数. (iii)设f(x)是凸集D Rn上的凸函数,b为实数,
则水平集S(f,b)={x|x∈D,f(x)≤b }是凸集.
不等式取等号,必须||y||=||z||=a,且（ y,z ） =||y||||z||, 容易证明y=z=x,根据定义可知,x为极点.
9
凸函数
定义1.7.4 设函数f (x)定义在凸集D Rn上,若
对任意的x,y ∈ D,及任意的a ∈ [0,1]都有 f (a x+(1-a)y) ≤ a f(x)+(1-a) f (y)
11
凸函数的例
例1.7.3 设f (x)=(x–1)2,试证明f(x)在(–∞,+∞)上 是严格凸函数.
证明:设x,y∈ R,且x≠y, a (0,1)都有
f (ax+(1-a)y)-(a f (x) +(1-a)f (y)) =(ax+(1-a)y-1)2-a (x-1)2-(1-a) (y-1)2
个相异的点y,z及某一实数a∈(0,1)使得 x=ay+(1-a)z
则称x为D的极点.
凸
凸
集
集
极点
极点
8
极点
例1.7.2 D={x ∈Rn| ||x||≤a}(a>0),则||x||=a上 的点均为极点
证明:设||x||=a,若存在y,z ∈D及a∈(0,1),使 得x=ay+(1-a)z.则 a2=||x||2=（ay+(1-a)z,ay+(1-a)z） ≤a2||y||2+(1-a)2||z||2+2a (1-a)||y||||z||≤a2
2
例
3
凸集的例
例1.7.1 超球||x||≤r为凸集
证明 设x,y为超球中任意两点, ≤a≤1,则有 ||ax+(1-a)y||≤a||x||+(1-a)||y|| ≤a r+(1-a) r = r, 即点ax+(1-a)y属于超球,所以超球为凸集.
4
凸集的性质
(i)有限个(可以改成无限)凸集的交集为凸集. 即:若Dj(j ∈ J)是凸集,则它们的交集 D={x|x ∈ Dj,j ∈ J } 是凸集.
= –a (1-a)(x-y)2<0
因此f(x)在(–∞,+∞)上是严格凸函数. 例1.7.4 线性函数f (x)=cTx=c1x1+c2x2+···+cnxn 既是Rn上凸函数也是Rn上凹函数.
12
凸函数的几何性质
对一元函数f (x),在几何上a f (x1)+(1-a)f (x2) (0≤a≤1)表示连接(x1,f(x1)),(x2,f (x2))的线段, f(ax1+(1-a)x2)表示在点ax1+(1-a)x2处的函数
6
推论 凸集的线性组合是凸集.
定义1.7.2 k
设xi∈
Rn,i=1,…,k,实数i≥0,
则 x i xi 称为x1,x2, …,xk的凸组合. i 1
k
i 1,
i 1
两点的凸组合 三点的凸组合 多点的凸组合 容易证明:凸集中任意有限个点的凸组合仍然 在该凸集中.
7
极点
定义1.7.3 设D为凸集, x∈D.若D中不存在两
则称函数f (x)为凸集D上的凸函数.
10
凸函数
定义1.7.5 设函数f (x)定义在凸集D Rn上,若
对任意的x,y∈D,x≠y,及任意的a ∈(0,1)都有 f (a x+(1-a)y) < a f(x)+(1-a) f (y)
则称函数f (x)为凸集D上的严格凸函数.
将上述定义中的不等式反向,可以得到凹函数 和严格凹函数的定义.
(ii)设D是凸集,b是一实数,则下面集合是凸集 b D={y | y =b x, x ∈ D}.
5
凸集的性质
(iii)设D1,D2是凸集,则D1与D2的和集 D1+D2={y|y=x+z,x ∈ D1,z ∈ D2}是凸集. 注:和集与并集有很大的区别,凸集的并集未必是凸 集, 而凸集的和集是凸集. 例:D1={(x,0)T|x ∈ R}表示 x 轴上的点, D2={(0,y)T|y ∈R},表示 y 轴上的点. 则D1∪D2表示两个轴的所有点,它不是凸集; D1+D2=R2是凸集
(i) f(x)是凸集D上的凸函数的充要条件是对任
意的x ∈ D,一元函数F (t)为[0,1]上的凸函数.
(ii) f(x)是凸集D上的严格凸函数的充要条件是
对任意的x,y ∈ D(x≠y),一元函数F (t)为[0,1]
上的严格凸函数. 该定理的几何意义是:凸函数上任意两点之间 的部分是一段向下凸的弧线.