优化方法的数学基础.ppt

《优化方法的数学基础.ppt》由会员分享，可在线阅读，更多相关《优化方法的数学基础.ppt（51页珍藏版）》请在三一办公上搜索。

1、第二章 优化方法的数学基础,2-1 方向导数与梯度2-2 凸集、凸函数与凸规划2-3 无约束优化问题的极值条件 2-4 有约束优化问题的极值条件,2-1 方向导数与梯度,一、函数的方向导数一个二元函数F(x1,x2)在X0点处的偏导数定义为:分别是函数在点X0处沿坐标轴方向的变化率.,函数 在点 处沿某一方向的变化率如图2-1,称它为函数沿此方向的方向导数,（2-1）,和 也可看成是函数分别沿坐标轴方向的方向导数推导方向导数与偏导数之间的数量关系：,偏导数是方向导数的特例,（2-2）,n元函数在点x0处沿s方向的方向导数,图2-3,二、梯度,二元函数的梯度:,为函数F(x1，x2)在x0点处的

2、梯度。,梯度的模：,设,梯度方向和s方向重合时，方向导数值最大。,梯度方向是函数值变化最快的方向，而梯度的模就是函数变化率的最大值。,图2-4 梯度方向与等值线的关系,设：,则有,为单位向量。,多元函数的梯度,函数的梯度方向与函数等值面相垂直，也就是和等值面上过x0的一切曲线相垂直。,由于梯度的模因点而异，即函数在不同点处的最大变化率是不同的。因此，梯度是函数的一种局部性质。,梯度 模：,梯度两个重要性质：性质一 函数在某点的梯度不为零，则必与过该点的等值面垂直；性质二 梯度方向是函数具有最大变化率的方向。,图2-5 梯度方向与等值面的关系,例2-1 求二元函数 在点 沿 和 的方向导数。,解

3、：,因此，,同理：,例 2-2,求函数 在点x(1)=3,2T 的 梯度。,在点x(1)=3,2T处的梯度为：,解：,例2-3：试求目标函数 在点 处的最速下降方向。,则函数在 处的最速下降方向是,解：由于,当极值点X*能使f（X*）在整个可行域中为最小值时，即在整个可行域中对任一X都有f（X）f（X*）时，则X*就是最优点，且称为全域最优点或整体最优点。若f（X*）为局部可行域中的极小值而不是整个可行域中的最小值时，则称X*为局部最优点或相对最优点。最优化设计的目标是全域最优点。为了判断某一极值点是否为全域最优点，研究一下函数的凸性很有必要。函数的凸性表现为单峰性。对于具有凸性特点的函数来说

4、，其极值点只有一个，因而该点既是局部最优点亦为全域最优点。,为了研究函数的凸性，现引入凸集的概念：,2-2 凸集、凸函数与凸规划,一、凸集,设D为n维欧氏空间中的一个集合，若其中任意两点X(1)、X(2)之间的联接直线都属于D，则称这种集合D为n维欧氏空间的一个凸集。图2-6（a）是二维空间的一个凸集，而图2-6（b）不是凸集。,图2-6二维空间的凸集与非凸集,X（1）、X（2）两点之间的联接直线，可用数学式表达为:,式中 为由0到1（0 1）间的任意实数。,凸集的性质：,1）若D为凸集，是一个实数，则集合 D仍是凸集；,2）若D和F均为凸集，则其和（或并）仍是凸集；,3）任何一组凸集的积（或

5、交）仍是凸集。,二、凸函数,具有凸性（表现为单峰性）或只有唯一的局部最优值亦即全域最优值的函数，称为凸函数或单峰函数。其数学定义是：,设 f（X）为定义在 n维欧氏空间中的一个凸集D上的函数，如果对任何实数（0 1）以及对D中任意两点X(1)、X(2)恒有:,则f（X）为D上的凸函数，若不满足上式，则为凹函数。,凸函数的几何意义如图2-7所示：,图2-7 一元凸函数的几何意义,在凸函数曲线上取任意两点（对应于X轴上的坐标X(1)、X（2）联成一直线线段，则该线段上任一点（对应于X轴上的X(k)点）的纵坐标Y值必大于或等于该点（X(k)）处的原函数值f(X(k)。,凸函数的一些性质：,1）若 f

6、（X）为定义在凸集D上的一个凸函数，且 a是一个正数（a 0），则 af（X）也必是定义在凸集D上的凸函数；,3）若f1(X），f2(X)为定义在凸集D上的两个凸函数，和为两个任意正数，则函数 afl（X）f2(X)仍为D上的凸函数。,2）定义在凸集D上的两个凸函数f1(X），f2(X)，其和 f（X）=f1（X）十f2（X）亦必为该凸集上的一个凸函数。,4）若f（X）为定义在凸集D上且具有连续一阶导数的函数，则f（X）为凸函数的充分必要条件为：对任意两点X（1），X（2），不等式,恒成立,三、凸规划,对于约束优化问题,式中若F（X）、均为凸函数，则称此问题为凸规划。,凸规划的一些性质：,2）

7、凸规划问题中的任何局部最优解都是全局最优解；,1）可行域 为凸集；,3）若F（X）可微，则X*为凸规划问题的最优解的充分必要条件为：对任意，对满足,不论是无约束或有约束的优化问题，在实际应用中，要证明一个优化问题是否为凸规划，一般比较困难，有时甚至比求解优化问题本身还要麻烦。尤其对一些工程问题，由于其数学模型的性态都比较复杂，更难实现。因此，在优化设计的求解中，就不必花精力进行求证，而通常是从几个初始点出发，找出几个局部最优解，从中选择目标函数值最好的解。,注意：,一、多元函数的泰勒展开,2-3 无约束优化问题的极值条件,二元函数：,多元函数泰勒展开,海色矩阵（Hessian）,二、无约束优化

8、问题的极值条件,1.F(x)在 处取得极值，其必要条件是:,即在极值点处函数的梯度为n维零向量。,例：在 处梯度为但 只是双曲抛物面的鞍点，而不是极小点。,函数的梯度为零的条件仅为必要的，而不是充分的。,则称 为f的驻点。,定义：设 是D的内点，若,根据函数在 点处的泰勒展开式，考虑上述极值必要条件，可得相应的充分条件。,为了判断从上述必要条件求得的 是否是极值点，需建立极值的充分条件。,2.处取得极值充分条件,各阶主子式均大于零:,则海色（Hessian）矩阵 是正定的,即海色（Hessian）矩阵 负定的，则X*为极大点。,各阶主子式负、正相间:,则X*为极小点。,解：因为,则,故Hess

9、ian阵为：,例2-5 求函数 的极值。解：根据极值的必要条件求驻点得驻点 再根据极值的充分条件，判断此点是否为极值点。由于其各阶主子式均大于零，H(x*)为正定矩阵，故X*=2,4T为极小点，极小值为F(X*)=-13。,2-4 有约束优化问题的极值条件,不等式约束的多元函数极值的必要条件是著名的库恩-塔克（Kuhn-Tucker）条件，它是非线性优化问题的重要理论1 库恩塔克条件(K-T条件）对于多元函数不等式的约束优化问题：,K-T条件可阐述为：若 是一个局部极小点，则该点的目标函数梯度 可表示成诸起作用约束面梯度 的线性组合.即,(2-17),在设计点处的起作用约束不等式约束面数；,非

10、负值的乘子，也称为拉格朗日乘子。,式中,2 有约束问题最优点的几种情况:,有作用约束 目标函数是凸函数,可行域是凸集，则目标函数等值线与作用约束曲面的切点为最优点，而且是全局最优点。,1.无作用约束 目标函数是凸函数，可行域是凸集，则最优点是内点。相当于无约束问题的最优点。,x(k)为最优点x*的条件：必要条件：充分条件：Hessian矩阵 H(x(k)是正定矩阵,X*,f(x),x*,库恩塔克条件的几何意义是:在约束极小值点 x*处，函数F(x)的负梯度一定能表示成所有起作用约束在该点梯度（法向量）的非负线性组合。,K-T条件是多元函数取得约束极值的必要条件,以用来作为约束极值的判断条件，又

11、可以来直接求解较简单的约束优化问题。,对于目标函数和约束函数都是凸函数的情况，符合K-T条件的点一定是全局最优点。这种情况K-T条件即为多元函数取得约束极值的充分必要条件。,K-T条件是多元函数取得约束极值的必要条件,以用来作为约束极值的判断条件，又可以来直接求解较简单的约束优化问题。,例2-6 库恩塔克（K-T）条件应用举例,s.t,判断1 0T是否为约束最优点。,(1)当前点 为可行点，因满足约束条件,(3)各函数的梯度：,（2）在 起作用约束为g1和g2,因,（4）求拉格朗日乘子,由于拉格朗日乘子均为非负，说明是一个局部最优点，因为它满足K-T条件。,s.t,例2-7 对于约束极值问题,

12、s.t.,试运用K-T条件验证点,为约束极值点。,解：图例2-7给出了由g1(x)=0、g2(x)=0、g3(x)=0、及所确定的可行域，同时给出了的几条等值线。,可见起作用的约束函数是,和,1.计算点 的各个约束函数值,例-7约束极值问题,2、求相关函数在 点的梯度3、将梯度代入判别公式，求拉格朗日乘子,即,均为非负，满足K-T条件，因此,同时，由于,是凸函数，可行域是凸集，因此点,也是全域最优点。,为约束极值点。,和,设约束优化问题(课堂练习),它的当前迭代点为,=1,0T，试用KT条件。,判断它是否为约束最优点,解：,点的诸约束函数值,点是可行点。,点的起作用约束是：,1 计算,2求,3求,点的诸梯度,4求拉格朗日乘子,写成线性方程组,解得：,乘子均为非负，,=1,0T满足约束最优解的一阶必要条件。,由于F(X)是凸函数，可行域为凸集，所以点,也是该问题的全局最优解。,