优化设计作业 【DOC精选】.docVIP

作业 阐述优化设计数学模型的三要素。写出一般形式的数学模型。 答：建立最优化问题数学模型的三要素： （1）决策变量和参数。决策变量是由数学模型的解确定的未知数。参数表示系统的控制变量，有确定性的也有随机性的。 （2）约束或限制条件。 由于现实系统的客观物质条件限制，模型必须包括把决策变量限制在它们可行值之内的约束条件，而这通常是用约束的数学函数形式来表示的。 （3）目标函数。 这是作为系统决策变量的一个数学函数来衡量系统的效率，即系统追求的目标。 (可行域)。不能满足所有约束条件的设计空间便是不可行设计区域(不可行域)。 3、无约束局部最优解的必要条件？ 答： （1）一元函数(即单变量函数) 极值点存在的必要条件 如果函数f(x)f’(x)存在的话，则欲使x*为极值点的必要条件为： f’(x*)=0 但使f’(x*)=0的点并不一定部是极值点；使函数f(x)的一阶导数f’(x)=0的点称为函数f(x)的驻点；极值点(对存在导数的函数)必为驻点，但驻点不一定是极值点。至于驻点是否为极值点可以通过二阶导数f’’(x)=0来判断。 （2）n元函数在定义域内极值点X*存在的必要条件为 即对每一个变量的一阶偏导数值必须为零，或者说梯度为零(n维零向量)。 ▽f(X*)=0是多元函数极值点存在的必要条件，而并非充分条件；满足▽f(X*)=0的点X*称为驻点，至于驻点是否为极值点，尚须通过二阶偏导数矩阵来判断。 阐述约束优化问题最优解的K-T条件。 答：K-T条件可阐述为： 如果X(k)是一个局部极小点，则该点的目标函数梯度▽f(X(k))可表示成该点诸约束面梯度为▽gu(X(k))、▽hv(X(k))的如下线性组合： 式中：q—在X(k)点的不等式约束面数； j—在X(k)点的等式约束面数； λu(u=1,2,…q)、μv(v=1,2,…j)——非负值的乘子，亦称拉格朗日乘子。如无等式约束，而全部是不等式约束，则式(3-20)中j＝0，第三项全部为零。 也可以对K-T条件用图形来说明。式(3-20)表明，如果X(k)，是一个局部极小点，则该点的目标函数梯度▽f(X(k))应落在该点诸约束面梯度▽gu(X(k))、▽hv(X(k))在设计空间所组成的锥角范围内。如图3-12所示，图(a)中设计点X(k)不是约束极值点，图(b)的设计点X(k)是约束极值点。 5. 给出图中的可行设计点、边界设计点和不可行设计点。 6题图 二维设计空间 答：内点X(1)、边界点X(3) 均为可行点，X(3) 为边界设计点，外点X (2)则为不可行设计点。X(0)开始，应用某一规定的算法，沿某一方向S(0)和步长α(0)产生改进设计的新点X(1)，使得f(X(1))＜f(X(0))，然后再从X(1)点开始，仍应用同一算法，沿某一方向S(1)和步长α(1)，产生又有改进的设计新点X(2)，使得f(X(2))＜f(X(1))，这样一步一步地有哪些信誉好的足球投注网站下去，使目标函数值步步下降，直至得到满足所规定精度要求的、逼 近理论极小点的X* 1)点距准则 当相邻两迭代点X(k)X(k+1)之间的距离已达到充分小时，即小于或等于规定的某一很小正数ε时，迭代终止。一般用两个迭代点向量差的模来表示，即 用X(k+1)和X(k)在各坐标轴上的分量差来表示，即 2)函数下降量准则 当相邻两迭代点X(k)，X(k+1)的目 标 函数值的下降量已达到充分小时。即小于或等于规定的莱一很小正数ε时，迭代终止。一般用目标函数值下降量的绝对值来表示，即 3)梯度准则 当目标函数在迭代点X(k+1)的梯度已达到充分小时，即小于或等于规定的某一很小正数ε时，迭代终止。一般用梯度向量的模来表示，即 8. 对于约束极值问题 试运用K-T条件检验点是否为约束极值点。 9. 说明函数梯度的性质。 答： (l)函数f(X)在其定义空间内某一点处的方向导数等于函数在该点处的梯度在这个方向上的投影； (2)梯度是矢量。函数在其定义空间中的某一点处，其梯度标志着函数值增加最快或最速上升的方向。 注意，这仅是指f(X)在该点附近而言，函数在其定义空间中的每一个点处都对应着一个确定的梯度向量。 负梯度方向必是函数值减小最快或最速下降的方向； (3)在目标函数等值线或等值面上的每一点处，函数的梯度▽f(X)指向函数等值线或等值面的外法向，亦即最速上升方向；函数在与其梯度正交的方向上变化率为零； (4)线性目标函数的梯度是一个常值向量，即在其定义空间中，其梯度处处相同；