线性规划与二次规划

word 教育资料优化设计复习题一、单项选择题(在每小题列出的选项中只有一个选项是符合题目要求的)1.多元函数F(X)在点X *附近偏导数连续， F ’(X *)=0且H(X *)正定，则该点为F(X)的（ ） ①极小值点 ②极大值点 ③鞍点 ④不连续点 2.F(X)为定义在n 维欧氏空间中凸集D 上的具有连续二阶偏导数的函数，若H(X)正定，则称F(X)为定义在凸集D 上的（ ） ①凸函数 ②凹函数 3.黄金分割法中，每次缩短后的新区间长度与原区间长度的比值始终是一个常数，此常数是（ ） ①0.382 ②0.186 ③0.618 ④0.816 4.在单峰搜索区间[x 1,x 3](x 1<x 3)内，取一点x 2，用二次插值法计算得x 4(在[x 1,x 3]内)，若x 2>x 4,并且其函数值F （x 4）<F(x 2)，则取新区间为（ ） ①[x 1,x 4] ②[x 2,x 3] ③[x 1,x 2] ④[x 4,x 3] 5.用变尺度法求一n 元正定二次函数的极小点，理论上需进行一维搜索的次数最多为（ ） ①n 次 ②2n 次 ③n+1次 ④2次6.下列特性中，梯度法不具有的是（ ） ①二次收剑性 ②要计算一阶偏导数 ③对初始点的要求不高 ④只利用目标函数的一阶偏导数值构成搜索方向 8.对于极小化F(X)，而受限于约束g μ(X)≤0(μ=1,2,…,m)的优化问题，其内点罚函数表达式为（ ） ① Ф(X,r (k))=F(X)-r(k)11/()gX u u m=∑② Ф(X,r (k))=F(X)+r(k)11/()gX u u m =∑③ Ф(X,r (k))=F(X)-r(k)max[,()]01gX u u m=∑④ Ф(X,r (k))=F(X)-r (k)min[,()]01g X u u m=∑9.外点罚函数法的罚因子为（ ） ①递增负序列 ②递减正序列 ③递增正序列 ④递减负序列 10．函数F （X ）为在区间［10，20］内有极小值的单峰函数，进行一维搜索时，取两点13和16，若F （13）<F （16），则缩小后的区间为（ ） ①［10,16］ ②［10,13］ ③［13,16］ ④［16，20］ 11．多元函数F （X ）在X ＊处存在极大值的充分必要条件是：在X *处的Hesse 矩阵（ ） ①等于零 ②大于零 ③负定 ④正定 12．对于函数F （x ）=x 21+2x 22，从初始点x (0)={1,1}T 出发，沿方向s (0)={-1,-2}T进行一维搜索，最优步长因子为（ ）①10／16 ②5／9 ③9／34 ④1／213．目标函数F （x ）=x 21+x 22－x 1x 2，具有等式约束，其等式约束条件为h(x)=x 1+x 2-1=0,则目标函数的极小值为（ ） ①1 ②0.5 ③0.25 ④0.1 14. 优化设计的自由度是指( )① 设计空间的维数 ② 可选优化方法数 ③ 所提目标函数数 ④ 所提约束条件数 15. 在无约束优化方法中，只利用目标函数值构成的搜索方法是( ) ①梯度法 ② Powell 法 ③共轭梯度法 ④变尺度法 17. 利用0.618法在搜索区间［a,b ］内确定两点a 1=0.382,b 1=0.618，由此可知区间［a,b ］的值是( ) ①［0,0.382］ ② ［0.382,1］ ③ ［0.618,1］④ ［0,1］18. 已知函数F(X)=x 12+x 22-3x 1x 2+x 1-2x 2+1，则其Hesse 矩阵是( ) ① ⎥⎦⎤⎢⎣⎡--2332 ② ⎥⎦⎤⎢⎣⎡2332③ ⎥⎦⎤⎢⎣⎡2112 ④ ⎥⎦⎤⎢⎣⎡--3223 19. 对于求minF(X)受约束于g i (x)≤0(i=1,2,…,m)的约束优化设计问题，当取λi ≥0时，则约束极值点的库恩—塔克条件为( )①()i i 1F X g (X)mi λ=∇=∇∑,其中λi 为拉格朗日乘子② ()i i 1F X =g (X)mi λ=-∇∇∑,其中λi 为拉格朗日乘子③ ()i i 1F X g (X)qi λ=∇=∇∑,其中λi 为拉格朗日乘子，q 为该设计点X 处的约束面数④()i i 1F X g (X)qi λ=-∇=∇∑,其中λi 为拉格朗日乘子，q 为该设计点X 处的约束面数20. 在共轭梯度法中，新构造的共轭方向S (k+1)为( ) ① S (k+1)= ∇F(X (k+1))+β(k)S (K)，其中β(k)为共轭系数② S (k+1)=∇F(X (k+1))－β(k)S (K)，其中β(k)为共轭系数 ③ S (k+1)=-∇F(X (k+1))+β(k)S (K)，其中β(k)为共轭系数④ S (k+1)=-∇F(X (k+1))－β(k)S (K)，其中β(k)为共轭系数 21. 用内点罚函数法求目标函数F(X)=ax+b 受约束于g(X)=c-x ≤0的约束优化设计问题，其惩罚函数表达式为( ) ① (k)1ax b r c-x+-，r (k)为递增正数序列② (k)1ax b r c-x +-，r (k)为递减正数序列 ③ (k)1ax b r c-x ++，r (k)为递增正数序列word 教育资料④ (k)1ax b r c-x++，r (k)为递减正数序列22. f(x)在区间［x 1,x 3］上为单峰函数，x 2为区间中的一点，x 4为利用二次插值法求得的近似极值点，若x 4-x 2＜0,且f(x 4)≥f(x 2)，则新的搜索区间为( )① ［x 1,x 4］ ② ［x 2,x 3］ ③ ［x 1,x 2］ ④［x 4,x 3］23. 已知F(X)=x 1x 2+2x 22+4,则F(X)在点X (0)=⎭⎬⎫⎩⎨⎧-11的最大变化率为( )① 10 ② 4 ③ 2 ④ 1024.试判别矩阵1111⎡⎣⎢⎤⎦⎥，它是（ ）矩阵 ①单位 ②正定矩 ③负定 ④不定 ⑤半正定 ⑥半负定 25.约束极值点的库恩——塔克条件为：-∇=∇=∑F X g Xii qi()()**λ1，当约束函数是g i (X)≤0和λi>0时，则q 应为（ ）①等式约束数目 ②不等式约束数目 ③起作用的等式约束数目 ④起作用的不等式约束数目26.在图示极小化的约束优化问题中，最优点为（ ） ①A ②B ③C ④D27.内点罚函数(X,r (k))=F(X)-r (k)101g X g X u u u m(),(())≤=∑，在其无约束极值点X ·(r (k))逼近原目标函数的约束最优点时，惩罚项中（ ） ①r (k)趋向零，11g X u u m()=∑不趋向零 ②r (k)趋向零，11g X u u m()=∑趋向零 ③r (k)不趋向零，11g X u u m()=∑趋向零 ④r (k)不趋向零，11g X u u m()=∑不趋向零 29.0.618法在迭代运算的过程中，区间的缩短率是（ ）①不变的 ②任意变化的 ③逐渐变大 ④逐渐变小 30.对于目标函数F(X)受约束于g u (X) ≤0(u=1,2,…，m)的最优化设计问题，外点法惩罚函数的表达式是（ ）①()()(k)(k)2()1X,M F X M {max[(),0]},mk u u g X M =Φ=+∑为递增正数序列②()()(k)(k)2()1X,M F X M {max[(),0]},mk u u g X M =Φ=+∑为递减正数序列③()()(k)(k)2()1X,M F X M {min[(),0]},mk u u g x M =Φ=+∑为递增正数序列 ④()()(k)(k)2()1X,MF X M {min[(),0]},mk uu g x M=Φ=+∑为递减正数序列31.对于二次函数F(X)=12X T AX+b T X+c,若X *为其驻点，则▽F(X *)为（ ）①零 ②无穷大 ③正值 ④负值 32.在约束优化方法中，容易处理含等式约束条件的优化设计方法是（ ）①可行方向法 ②复合形法 ③内点罚函数法 ④外点罚函数法33．已知F(X)=(x 1-2)2+x 22,则在点X (0)=00⎧⎨⎩⎫⎬⎭处的梯度为（ ）①∇=⎧⎨⎩⎫⎬⎭F X ()()000 ②∇=-⎧⎨⎩⎫⎬⎭F X ()()020 ③∇=⎧⎨⎩⎫⎬⎭F X ()()040 ④∇=-⎧⎨⎩⎫⎬⎭F X ()()04034．Powell 修正算法是一种（ ）①一维搜索方法②处理约束问题的优化方法③利用梯度的无约束优化方法④不利用梯度的无约束优化方法 二、多项选择题(在每小题列出的多个选项中有两个以上选项是符合题目要求的，多选、少选、错选均无分) 35.下列矢量组中，关于矩阵A=105051--⎡⎣⎢⎤⎦⎥..共轭的矢量组是（ ）①s 1={0 1} ,s 2={1 0}T②s 1={-1 1}T ,s 2={1 1}T③s 1={1 0}T ,s 2={1 2}T④s 1={1 1}T ,s 2={1 2}T⑤.s 1={1 2}T ,s 2={2 1}T36. 对于只含不等式约束的优化设计问题，可选用的优化方法有( )① Powell 法 ② 变尺度法 ③ 内点罚函数法 ④ 外点罚函数法E. 混合罚函数法37. 根据无约束多元函数极值点的充分条件，已知驻点X*，下列判别正确的是( )①若Hesse矩阵H(X*)正定，则X*是极大值点②若Hesse矩阵H(X*)正定，则X*是极小值点③若Hesse矩阵H(X*)负定，则X*是极大值点④若Hesse矩阵H(X*)负定，则X*是极小值点⑤若Hesse矩阵H(X*)不定，则X*是鞍点38.下述Hesse矩阵中，正定矩阵为（）①3335⎡⎣⎢⎤⎦⎥②313153337⎡⎤⎢⎥-⎢⎥-⎢⎥⎣⎦③3445⎡⎣⎢⎤⎦⎥④245434542⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦⑤523222327⎡⎤⎢⎥⎢⎥⎢⎥⎣⎦39.F(X)在区间［a,b］上为单峰函数，区间内函数情况如图所示：F1=F2。

matlab学习笔记之求解线性规划问题和⼆次型问题⼀、线性规划问题 已知⽬标函数和约束条件均为线性函数，求⽬标函数的最⼩值（最优值）问题。

1.求解⽅式：⽤linprog函数求解2.linprog函数使⽤形式： x=linprog(f,A,b) x=linprog(f,A,b,Aeq,beq) x=linprog(f,A,b,Aeq,beq,lb,ub) x=linprog(f,A,b,Aeq,beq,lb,ub,x0) x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) [x,fval]=linprog(…) [x, fval, exitflag]=linprog(…) [x, fval, exitflag, output]=linprog(…) [x, fval, exitflag, output, lambda]=linprog(…)3.介绍⼀种最常⽤的： [x,fval,exitflag,output,lambda] = linprog(f,A,b,Aep,beq,lb,ub);其中，f是⽬标函数系数矩阵；A和b是不等式约束条件的参数；Aeq和beq是等式约束条件的参数；lb和ub为x取值的取值范围。

lambda.ineqlin—不等式约束A,b lambda.eqlin—等式约束Aep,bep lambda.upper—上界条件ub lambda.lower—下界条件lb4.实例：⽬标函数：f(x) = –5x1 – 4x2 –6x3,约束条件： x1 – x2 + x3 ≤ 20 3x1 + 2x2 + 4x3 ≤ 42 3x1 + 2x2 ≤ 30 0 ≤ x1, 0 ≤ x2, 0 ≤ x3Matlab程序：>> f = [-5; -4; -6]; A = [1 -11; 324; 320]; b = [20; 42; 30]; lb = zeros(3,1);>> [x,fval,exitflag,output,lambda] = linprog(f,A,b,[],[],lb);>> xx =0.000015.00003.0000>> fvalfval =-78.0000⼆、⼆次型规划问题 理解完线性规划问题再来学习⼆次型规划问题就简单得多了，可以相似类⽐。

优化问题的Matlab求解方法引言优化问题在实际生活中有着广泛应用，可以用来解决很多实际问题。

Matlab作为一款强大的数学计算软件，提供了多种求解优化问题的方法。

本文将介绍在Matlab中求解优化问题的常见方法，并比较它们的优缺点。

一、无约束无约束优化问题是指没有约束条件的优化问题，即只需要考虑目标函数的最大或最小值。

在Matlab中，可以使用fminunc函数来求解无约束优化问题。

该函数使用的是拟牛顿法（quasi-Newton method），可以迭代地逼近最优解。

拟牛顿法是一种迭代方法，通过逐步近似目标函数的梯度和Hessian矩阵来求解最优解。

在使用fminunc函数时，需要提供目标函数和初始点，并可以设置其他参数，如迭代次数、容差等。

通过不断迭代，拟牛顿法可以逐步逼近最优解。

二、有约束有约束优化问题是指在优化问题中加入了约束条件。

对于有约束优化问题，Matlab提供了多种求解方法，包括线性规划、二次规划、非线性规划等。

1. 线性规划线性规划是指目标函数和约束条件都为线性的优化问题。

在Matlab中，可以使用linprog函数来求解线性规划问题。

该函数使用的是单纯形法（simplex method），通过不断迭代来逼近最优解。

linprog函数需要提供目标函数的系数矩阵、不等式约束矩阵和约束条件的右手边向量。

通过调整这些参数，可以得到线性规划问题的最优解。

2. 二次规划二次规划是指目标函数为二次型，约束条件线性的优化问题。

在Matlab中，可以使用quadprog函数来求解二次规划问题。

该函数使用的是求解二次规划问题的内点法（interior-point method），通过迭代来求解最优解。

quadprog函数需要提供目标函数的二次项系数矩阵、线性项系数矩阵、不等式约束矩阵和约束条件的右手边向量。

通过调整这些参数，可以得到二次规划问题的最优解。

3. 非线性规划非线性规划是指目标函数或者约束条件中至少有一个是非线性的优化问题。

求解二次规划问题的拉格朗日及有效集方法——最优化方法课程实验报告学院：数学与统计学院班级：硕2041班姓名：王彭学号：3112054028指导教师：阮小娥同组人：钱东东求解二次规划问题的拉格朗日及有效集方法求解二次规划问题的拉格朗日及有效集方法摘要二次规划师非线性优化中的一种特殊情形，它的目标函数是二次实函数，约束函数都是线性函数。

由于二次规划比较简单，便于求解（仅次于线性规划），并且一些非线性优化问题可以转化为求解一些列的二次规划问题，因此二次规划的求解方法较早引起人们的重视，称为求解非线性优化的一个重要途径。

二次规划的算法较多，本文仅介绍求解等式约束凸二尺规划的拉格朗日方法以及求解一般约束凸二次规划的有效集方法。

关键字：二次规划，拉格朗日方法，有效集方法。

- 1 -《最优化方法》课程实验报告- 2 - 【目录】摘要........................................................................................................................... - 1 -1 等式约束凸二次规划的解法............................................................................... - 3 -1.1 问题描述.................................................................................................... - 3 -1.2 拉格朗日方法求解等式约束二次规划问题............................................ - 3 -1.2.1 拉格朗日方法的推导...................................................................... - 3 -1.2.2 拉格朗日方法的应用...................................................................... - 4 -2 一般凸二次规划问题的解法............................................................................... - 5 -2.1 问题描述.................................................................................................... - 5 -2.2 有效集法求解一般凸二次规划问题........................................................ - 6 -2.2.1 有效集方法的理论推导.................................................................. - 6 -2.2.2 有效集方法的算法步骤.................................................................. - 9 -2.2.3 有效集方法的应用........................................................................ - 10 -3 总结与体会......................................................................................................... - 11 -4 附录..................................................................................................................... - 11 -4.1 拉格朗日方法的matlab程序................................................................. - 11 -4.2 有效集方法的Matlab程序 .................................................................... - 11 -求解二次规划问题的拉格朗日及有效集方法- 3 -1 等式约束凸二次规划的解法1.1 问题描述我们考虑如下的二次规划问题⎪⎩⎪⎨⎧=+b Ax t s x c Hx x T T ..,21min (1.1) 其中n n R H ⨯∈对称正定，n m R A ⨯∈行满秩，n R x c,∈，m R b ∈。

二次规划基本介绍二次规划（Quadratic Programming，简称QP）是数学规划的一种特殊形式，它的目标函数是二次函数，约束条件是线性函数。

在实际应用中，二次规划被广泛应用于经济学、运筹学、工程学等领域，具有重要的理论和实际意义。

二次规划的一般形式可以表示为：$$\begin{aligned}\min_{x} \quad & \frac{1}{2} x^T Q x + c^T x \\\text{s.t.} \quad & Ax \ge b \\&Cx=d\end{aligned}$$其中，$x$是优化变量，$Q$是一个对称正定的矩阵，$c$、$b$、$d$都是列向量，$A$、$C$是约束矩阵。

在约束条件中，$Ax \ge b$表示一组不等式约束，$Cx = d$表示一组等式约束。

二次规划的优化目标是寻找满足约束条件的$x$，使得目标函数最小。

目标函数由两部分组成，一部分是二次项，一部分是线性项，其中$Q$是二次项的系数矩阵，$c$是线性项的系数向量。

由于$Q$是一个对称正定矩阵，所以二次项是凸的，使得问题具有良好的性质。

二次规划的解法有多种方法，以下介绍其中两种常用的方法：内点法和激活集方法。

内点法是一种迭代求解二次规划问题的方法。

它通过将二次规划问题转化为一系列等价的线性规划问题来求解。

在每一次迭代中，内点法通过将问题的方向限制在可行域的内部，逐渐逼近最优解。

使用内点法求解二次规划问题的一个优点是，可以在多项式时间内找到最优解，尤其适用于大规模的问题。

激活集方法是一种基于约束的求解方法。

它通过不断修改约束条件，从而求解二次规划问题。

在每一次迭代中，激活集方法选取一个子集，称为“激活集”，包含满足等式约束、不等式约束等的约束条件。

然后通过解析方法或数值方法求解这个子问题，得到对应的最优解。

该方法的优点是，可以很好地处理不等式约束和等式约束，并且收敛性良好。

除了内点法和激活集方法，还有其他的求解方法，如：序列二次规划、信赖域算法、光滑方法等。