机械优化设计习题及参考答案
1-1.简述优化设计问题数学模型的表达形式。
答：优化问题的数学模型是实际优化设计问题的数学抽象。在明确设计变量、约束条件、目标函数之后，优化设计问题就可以表示成一般数学形式。求设计变量向量[]12T
n x x x x =L 使 ()min f x → 且满足约束条件
()0
(1,2,)k h x k l ==L ()0
(1,2,)j g x j m ≤=L
2-1.何谓函数的梯度？梯度对优化设计有何意义？
答：二元函数f(x 1,x 2)在x 0点处的方向导数的表达式可以改写成下面的形式：⎥⎦⎤
⎢⎣⎡⎥⎦⎤⎢⎣⎡∂∂∂∂=∂∂+∂∂=
∂∂2cos 1cos 212cos 21cos 1θθθθxo x f x f xo x f xo x f xo d f
ρ
令xo T
x f x f x f x f
x f ⎥⎦
⎤⎢⎣⎡∂∂∂∂=∂∂∂∂=∇21]21[)0(， 则称它为函数f （x 1，x 2）在x 0点处的梯度。
（1）梯度方向是函数值变化最快方向，梯度模是函数变化率的最大值。 （2）梯度与切线方向d 垂直，从而推得梯度方向为等值面的法线方向。梯度)0(x f ∇方向为函数变化率最大方向，也就是最速上升方向。负梯度-)0(x f ∇方向为函数变化率最小方向，即最速下降方向。
2-2.求二元函数f （x 1，x 2）=2x 12+x 22-2x 1+x 2在T x ]0,0[0=处函数变化率最
大的方向和数值。
解：由于函数变化率最大的方向就是梯度的方向，这里用单位向量p 表示，函数变化率最大和数值时梯度的模)0(x f ∇。求f （x1，x2）在
x0点处的梯度方向和数值，计算如下：
()⎥⎦⎤
⎢⎣⎡-=⎥⎦⎤⎢⎣⎡+-=⎥⎥⎥⎦
⎤⎢⎢⎢⎣⎡∂∂∂∂=∇120122214210x x x x f
x f x f 2
221)0(⎪⎭
⎫ ⎝⎛∂∂+⎪⎭⎫ ⎝⎛∂∂=∇x f x f x f =5
⎥⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎣⎡-=⎥⎦⎤⎢⎣⎡-=∇∇=5152512)0()0(x f x f p ϖ
2-3.试求目标函数()2
221212143,x x x x x x f +-=在点X 0=[1,0]T 处的最速下降
方向，并求沿着该方向移动一个单位长度后新点的目标函数值。 解：求目标函数的偏导数
212
21124,46x x x f x x x f +-=∂∂-=∂∂ 则函数在X 0=[1,0]T 处的最速下降方向是
⎥⎦⎤⎢⎣⎡-=⎥⎦⎤⎢⎣⎡-+-=⎥⎥⎥⎥⎦⎤
⎢⎢⎢⎢⎣⎡∂∂∂∂-=-∇=====462446)(0
121
210
1210
2121x x x x
x x x x x f x f X f P 这个方向上的单位向量是：
13]2,3[4
)6(]4,6[T
22T -=+--==P P e 新点是
⎥⎥⎥⎥⎦
⎤⎢⎢⎢⎢⎣⎡
-=+=132133101e X X 新点的目标函数值
13213
94
)(1-=
X f
2-4.何谓凸集、凸函数、凸规划？（要求配图）
答：一个点集（或区域），如果连接其中任意两点x1、x2的线段都全部包含在该集合内，就称该点集为凸集，否则为非凸集。
函数f(x ）为凸集定义域内的函数，若对任何的01α≤≤及凸集域内的任意两点x1、x2，存在如下不等式：
称f （x ）是定义在图集上的一个凸函数。
对于约束优化问题
若()j=j f x g x 、（） 1,2,...,m 都是凸函数，则称此问题为凸规划。
3-1.简述一维搜索区间消去法原理。（要配图）
答：搜索区间（a ，b ）确定之后，采用区间逐步缩短搜索区间，从而找到极小点的数值近似解。假设搜索区间（a ，b ）内任取两点a1，b1 ，a 1《b 1，并计算函数值f （a 1），f （b 1）。将有下列三种可能情形； 1）f （a 1）《f （b 1）由于函数为单谷，所以极小点必在区间（a ，b 1）内 2）f （a 1）》f （b 1），同理，极小点应在区间（a 1，b ）内 3）f （a 1）=f （b 1），这是极小点应在（a 1，b 1）内
3-2.简述黄金分割法搜索过程及程序框图。
1()b b a αλ=-- 2()a b a αλ=+-
其中，λ为待定常数。
3-3.对函数ααα2)(2+=f ，当给定搜索区间55≤≤-α时，写出用黄金
()()()1212
11f x x f x x αααα+-≤+-⎡⎤⎣⎦
分割法求极小点*α的前三次搜索过程。（要列表）
3-4.使用二次插值法求f(x)=sin(x)在区间[2,6]的极小点，写出计算
步骤和迭代公式，给定初始点x 1=2，x 2=4，x 3=6， ε=10-4。
迭代次数K= 4 ，极小点为 ，最小值为 -1
13131x x y y c --=，12122x x y y c --=，32123x x c
c c --= )(213
131c c x x x p -+=
收敛的条件：
ε<-2
2y y y p
4-1.简述无约束优化方法中梯度法、共轭梯度法、鲍威尔法的主要区别。
答：梯度法是以负梯度方向作为搜索方向，使函数值下降最快，相邻两个迭代点上的函数相互垂直即是相邻两个搜索方向相互垂直。这就是说在梯度法中，迭代点向函数极小点靠近的过程，走的是曲折的路线。这一次的搜索方向与前一次的搜索过程互相垂直，形成“之”字形的锯齿现象。从直观上可以看到，在远离极小点的位置，每次迭代可使函数值有较多的下降。可是在接近极小点的位置，由于锯齿现象使每次迭代行进的距离缩短，因而收敛速度减慢。这种情况似乎与“最速下降”的名称矛盾，其实不然，这是因为梯度是函数的局部性质。从局部上看，在一点附近函数的下降是最快的，但从整体上看则走了许多弯路，因此函数的下降并不算快。
共轭梯度法是共轭方向法中的一种，因为在该方法中每一个共轭的量都是依赖于迭代点处的负梯度而构造出来的，所以称作共轭梯度法。该方法的第一个搜索方向取作负梯度方向，这就是最速下降法。其余各步的搜索方向是将负梯度偏转一个角度，也就是对负梯度进行修正。所以共轭梯度法实质上是对最速下降法进行的一种改进，故它又被称作旋转梯度法。
鲍威尔法是直接利用函数值来构造共轭方向的一种共轭方向法，这种方法是在研究其有正定矩阵G 的二次函数1()2
T
T f x x Gx b x c =
++的极小化问题时形成的。其基本思想是在不用导数的前提下，在迭代中逐次构造G 的共轭方向。在该算法中，每一轮迭代都用连结始点和终点所产生出的搜索方向去替换原向量组中的第一个向量，而不管它的“好坏”，这是产生向量组线性相关的原因所在。因此在改进的算法中首先判断原向量组是否需要替换。如果需要替换，还要进一步判断原向量组中哪个向量最坏，然后再用新产生的向量替换这个最坏的向量，以保
