第六章约束优化方法.ppt

《第六章约束优化方法.ppt》由会员分享，可在线阅读，更多相关《第六章约束优化方法.ppt（97页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。

1、第六章约束优化方法每次迭代计算均按以下根本迭代格式进展：式中 步长；可行搜索方向。可行搜索方向是指，当设计点沿该方向作微量挪动时，目的函数值将下降，且不会越出可行域。产生可行搜索方向的方法将由直接解法中的各种算法决定。12/10/202212/10/2022直接解法的原理简单，方法实用。其特点是：由于整个求解过程在可行域内进展，因此，迭代计算不管何时终止，都可以获得一个比初始点好的设计点。假设目的函数为凸函数，可行域为凸集，那么可保证获得全域最优解。否那么，因存在多个部分最优解，中选择的初始点不一样时，可能搜索到不同的部分最优解。因此，常在可行域内选择几个差异较大的初始点分别进展计算，以便从求

2、得的多个部分最优解中选择更好的最优解。要求可行域为有界的非空集，即在有界可行域内存在满足全部约束条件的点，且目的函数有定义。12/10/202212/10/2022间接解法有不同的求解策略。其中一种方法的根本思路是将约束优化问题中的约束函数进展特殊的加权处理，然后和目的函数结合，构成一个新的目的函数，即将原约束优化问题转化成为一个或一系列的无约束优化问虬再对新的目的函数进展无约束优化计算，从而间接地搜索到原约束问题的最优解。12/10/202212/10/2022因此间接解法的根本迭代过程是，首先将一般约束优化问题转化成新的无约束目的函数 式中 转换后的新目的函数；分别为约束函数 和 经过加权

3、处理后构成的某种形式的复合函数或泛函数；加权因子。然后对 进展无约束极小化计算。12/10/202212/10/2022由于在新目的函数中包含了各种约束条件，而且在求极值的过程中还将改变加权因子的大小。因此可以不断地调整设计点，使其逐步逼近约束边界。从而间接地求得原约束问题的最优解。间接解法框图12/10/202212/10/2022间接解法例题求约束优化问题 的最优解。解:易知该问题理论上的最优解为：由该问题的几何意义右图可知，约束最优点 为目的函数等值线与等式约束函数直线的切点，12/10/202212/10/2022用间接解法求解时，可取 ，转换后的新目的函数为从而可以用解析法求 的极小

4、值，即令 得到方程组12/10/202212/10/2022解此方程组，求得的无约束最优解为：右图表示出最优点 为新目的函数等值线族的中心。12/10/202212/10/2022间接解法是目前在机械优化设计中得到广泛应用的一种有效方法。其特点是：由于无约束优化方法的研究日趋成熟，已经研究出不少有效的无约束最优化方法和程序，使得间接解法有了可靠的根底。目前，这类算法的计算效率和数值计算的稳定性也都有较大的进步。可以有效地处理具有等式约束的约束优化问题。间接解法存在的主要问题是，选取加权因子较为困难。加权因子选取不当，不但影响收敛速度和计算精度，甚至会导致计算失败。12/10/202212/10

5、/2022求解约束优化设计问题的方法：属于直接解法的随机方向法、复合形法、可行方向法、广义简约梯度法；属于间接解法的惩罚函数法，增广乘子法；另一类解法线性逼近方法，二次规划法。返回返回12/10/202212/10/20226.2 随机方向法随机方向法q概述q随机方向法是一种原理简单的直接解法。q它的根本思路是在可行域内选择一个初始点，利用随机数的概率特性，产生假设干个随机方向，并从中选择一个能使目的函数值下降最快的随机方向作为可行搜索方向，记作 。从初始点 出发，沿 方向以一定的步长进展搜索，得到新点 ，新点 应满足约束条件：，q 且 。至此完成一次迭代。然后，将起始点移至 ，即令 。重复以

6、上过程，经过假设干次迭代计算后，最终获得约束最优解。12/10/202212/10/2022随机方向法的算法原理12/10/202212/10/2022随机方向法的的特点：对目的函数的性态无特殊要求，程序设计简单，使用方便。由于可行搜索方向是从许多髓机方向中选择的使目的函数下降最快的方向，加之步长还可以灵敏变动，所以此算法的收敛速度比较快。假设能获得一个较好的初始点，迭代次数可以大大减少。是求解小型的机械优化设计问题的一种非常有效的算法。12/10/202212/10/2022q随机数的产生q在随机方向法中，为产生可行的初始点及随机方向，需要用到大量的 和 区间内均匀分布的随机数。q在计算机内

7、，随机数通常是按一定的数学模型进展计算后得到的。这样得到的随机数称伪随机数，它的特点是产生速度快，计算机的内存占用少，并且有较好的概率统计特性。12/10/202212/10/2022产生伪随机数的方法很多，下面是一种常用的产生伪随机数的数学模型。首先令 ，取 为小于 的正奇数，然后按以下步骤计算令 假设 ，那么 ；假设 ，那么 ；假设 ，那么 ；那么 即为 区间内的伪随机数。利用 ，容易求得任意区间 内的伪随机数，其计算公式为12/10/202212/10/2022q初始点的选择随机方向法的初始点 必须是一个可行点，即满足全部不等式约束条件：的点。当约束条件较为复杂，用人工不易选择可行初始点

8、时，可用随机选择的方法来产生。其计算步骤如下：1.输人设计变量的下限值和上限值，即12/10/202212/10/20222.在区间 内产生 个伪随机数 。3.计算随机点x的各分量4.判别随机点 是否可行，假设随机点 为可行点，那么取初始点 ；假设随机点 为非可行点，那么转步骤2重新计算，直到产生的随机点是可行点为止。12/10/202212/10/2022q可行搜索方向的产生在随机方向法中，产生可行搜索方向的方法是从 个随机方向中，选取一个较好的方向。其计算步骤为：1.在 区间内产生伪随机数2.再按下式计算随机单位向量12/10/202212/10/20222.取一试验步长 ，按下式计算 个

9、随机点3.显然，个随机点分布在以初始点 为中心，以试验步长 为半径的超球面上。4.检验 个随机点 是否为可行点，除去非可行点，计算余下的可行随机点的目的函数值，比较其大小，选出目的函数值最小的点 。5.比较 和 两点的目的函数值，假设 ，那么取 和 的连线方向作为可行搜索方向；假设 ，那么将步长 缩小，转步骤1重新计算，直至 为止。假如 缩小到很小，仍然找不到一个 ，使 那么说明 是一个部分极小点，此时可更换初始点，转步骤1。12/10/202212/10/2022综上所述，产生可行搜索方向的条件可概括为，当 点满足 那么可行搜索方向为12/10/202212/10/2022q搜索步长确实定q

10、可行搜索方向 确定后，初始点移至 点，即 ，从 点出发沿 方向进展搜索，所用的步长 一般按加速步长法来确定。q加速步长法是指依次迭代的步长按一定的比例递增的方法。各次迭代的步长按下式计算：q 式中 步长加速系数，可取 ；q 步长，初始步长取 。12/10/202212/10/2022q随机方向法的计算步骤q随机方向法的计算步骤如下：q选择一个可行的初始点 ；q产生 个 维随机单位向量 ；q取试验步长 ，计算出 个随机点 ；q在 个随机点中，找出的随机点 ，产生可行搜索方向 。q从初始点 出发，沿可行搜索方向 以步长 进展迭代计算，直至搜索到一个满足全部约束条件，且目的函数值不再下降的新点 。1

11、2/10/202212/10/20226.假设收敛条件7.8.得到满足，迭代终止。约束最优解为9.。否那么，令 转步骤2。12/10/202212/10/2022随机方向法的程序框图P126返回返回12/10/202212/10/20226.3 复合形法复合形法q概述q复合形法的根本思路：q在可行域内构造一个具有是个顶点的初始复合形。对该复合形各顶点的目的函数值进展比较，找到目的函数值最大的顶点称最坏点，然后按一定的法那么求出目的函数值有所下降的可行的新点，并用此点代替最坏点，构成新的复合形，复合形的形状每改变一次，就向最优点挪动一步，直至逼近最优点。12/10/202212/10/2022复

12、合形法的特点由于复合形的形状不必保持规那么的图形，对目的函数及约束函数的性状又无特殊要求，因此该法的适应性较强，在机械优化设计中得到广泛应用。初始复合形的形成初始复合形必须在可行域内生成复合形的k个顶点必须都是可行点生成初始复合形的方法由设计者自行决定k个初始点，构成初始复合形在设计变量较少、约束函数简单情况下适用。12/10/202212/10/20222.由设计者选定一个可行点，其余的(k-1)个可行点用随机法产生顶点坐标的计算 式中 复合形中的第 j 个顶点；设计变量的下限和上限；在(0，1)区间内的伪随机数。上式计算得到的(k-1)个随机点不一定都在可行域内，因此需要将非可行点移到可行

13、域内。可以采用这样的方法：首先求出已经在可行域内的L个顶点的中心 xc12/10/202212/10/2022然后将非可行点向中心点挪动假设xL+1仍为不可行点，可以利用上式继续向中心点挪动。只要中心点可行，xL+1点一定可以移到可行域内。(k-1)个点经过这样的处理后，全部成为可行点，并构成初始复合形。12/10/202212/10/2022只要可行域为凸集，其中心点必为可行点，用以上方法可以成功地在可行域内构成初始复合形。假如可行域为非凸集如以下图所示，中心点不一定在可行域之内。此时可以通过改变设计变量的下限和上限值，重新产生各顶点，并经过屡次试算，就有可能在可行域内生成初始复合形。12/

14、10/202212/10/20223.由计算机自动生成初始复合形的全部顶点其方法是首先随机产生一个可行点，然后按第二种方法产生其余的(k-1)个可行点。这种方法对设计者来说最为简单，但因初始复合形在可行域内的位置不能控制，可能会给以后的计算带来困难。q复合形法的搜索方法在可行域内生成初始复合形后，需要采用不同的搜索方法来改变其形状，使复合形逐步向约束最优点趋近。12/10/202212/10/2022改变复合形形状的搜索方法如下：反射反射是改变复合形形状的一种主要策略，其计算步骤为：计算复合形各顶点的目的函数值，并比较其大小，求出最好点xL、最坏点xH及次坏点xG12/10/202212/10

15、/20222.计算除去最坏点xH外的(k-1)个顶点的中心xc3.从统计的观点来看，一般情况下，最坏点xH和中心点xc的连线方向为目的函数下降的方向。可以以xc点为中心，将最坏点xH按一定比例进展反射，有希望找到一个比最坏点xH的目的函数值为小的新点xR反射点。4.式中 反射系数，一般取 。12/10/202212/10/20224.判别反射点xR的位置：5.假设xR为可行点，那么比较xR和xH两点的目的函数值，6.假如 ，那么用xR取代xH，构成新的复合形，完成一次迭代；7.假如 ，那么将 缩小0.7倍，重新计算新的反射点，假设仍不可行，继续缩小，直至 为止。8.假设xR为非可行点，那么将

16、缩小0.7倍，计算反射点xR，直至可行为止。9.然后重复以上步骤，即判别 和 的大小，一旦 ，就用xR取代xH完成一次迭代。12/10/202212/10/2022综上所述，反射成功的条件是：扩张当求得的反射点xR为可行点，且目的函数值下降较多，那么沿反射方向继续挪动，即采用扩张的方法，可能找到更好的新点xE，xE称为扩张点。其计算公式为 式中 扩张系数，一般取 。12/10/202212/10/2022假设扩张点xE为可行点，且 ，那么称扩张成功，用xE取代xR，构成新的复合形。否那么称扩张失败，放弃扩张，仍用原反射点xR 取代xH，构成新的复合形。12/10/202212/10/20223

17、.收缩4.假设在中心点xc以外找不到好的反射点，可以在xc以内，即采用收缩的方法寻找较好的新点xk，xk称为收缩点。5.其计算公式为 6.式中 收缩系数，一般取 。7.假设 ，那么收缩成功，用xk取代xH，构成新的复合形。12/10/202212/10/20224.压缩5.假设采用上述各种方法均无效，可以采取将复合形各顶点向最好点xL靠拢，采用压缩的方法来改变复合形的形状。压缩后的各顶点的计算公式为6.然后，再对压缩后的复合形采用反射、扩张或收缩等方法，继续改变复合形的形状。12/10/202212/10/2022还何以采用旋转等方法来改变复合形形状。采用改变复合形形状的方法越多，程序设计越复

18、杂，可能降低计算效率及可靠性。在进展优化方法的程序设计时，需要针对详细情况采用某些有效的方法。12/10/202212/10/2022q复合形法的计算步骤q根本的复合形法只含有“反射的计算步骤为：q选择复合形的顶点数k，一般取n+1k2n，在可行域内构成具有k个顶点的初始复合形。q计算复合形各顶点的目的函数值，比较其大小，找出最好点xL、最坏点xH及次坏点xG。q计算除去最坏点xH以外的(k1)个顶点的中心xc并判别是否可行，假设xc为可行点，那么转步骤4；假设xc为非可行点，那么重新确定设计变量的下限和上限值，即令 q 然后转步骤1，重新构造初始复合形。12/10/202212/10/202

19、24.计算反射点xR，必要时改变反射系数 的值，直至反射成功。然后以xR取代xH，构成新的复合形。5.假设收敛条件6.得到满足，计算终止。约束最优解为：7.否那么，转步骤2。12/10/202212/10/2022复合形法的程序框图P131返回返回12/10/202212/10/20226.4 可行方向法可行方向法q概述q约束优化问题的直接解法中，可行方向法是最大的一类，它也是求解大型约束优化问题的主要方法之一。q可行方向法的根本原理是在可行域内选择一个初始点 ，当确定了一个可行方向d和适当的步长后，按下式q 进展迭代计算。在不断调整可行方向的过程中，使迭代点逐步逼近约束最优点。12/10/2

20、02212/10/2022q可行方向法的搜索策略q可行方向法的第一步迭代都是从可行的初始点 出发，沿 点的负梯度方向 将初始点挪动到某一个约束面只有一个起作用的约束时上或约束面的交集有几个起作用的约束时上。然后根据约束函数和目的函数的不同性状，分别采用以下几种策略继续搜索：12/10/202212/10/202212/10/202212/10/20222.第二种情况如右图，沿可行方向 作一维搜索，所得到的新点 在可行域外，那么设法将 点挪动到约束面上，即取 和约束面的交点作为新的迭代点 。12/10/202212/10/20223.第三种情况是沿约束面搜索4.对于只具有线性约束条件的非线性规划

21、问题如右图所示，从 点出发，沿约束面挪动，在有限的几步内即可搜索到约束最优点；12/10/202212/10/2022对于非线性约束函数如右图，沿约束面挪动将会进入非可行域，因此需将进入非可行域的新点 设法调整到约束面上，然后才能进展下一次迭代。12/10/202212/10/2022调整的方法是先规定约束面容差 ，建立新的约束边界，然后将已分开约束面的 点，沿起作用约束函数的负梯度方向 返回到约束面上。其计算公式为 式中的 称为调整步长，可用试探法决定，或用下式估算12/10/202212/10/2022q产生可行方向的条件q可行方向是指沿该方向作微小挪动后，所得到的新点是可行点，且目的函数

22、值有所下降。因此，可行方向应满足可行和下降两个条件。q可行条件q可行条件是指将某点沿可行方向作微小挪动后，所得到的新点为可行点需满足的条件。12/10/202212/10/2022如右图，假设 点在一个约束面上，过 点作约束面 的切线 ，显然满足可行条件的方向 应与起作用的约束函数在 点的梯度 的夹角大于或等于90。用向量关系式可表示为：12/10/202212/10/2022假设 点在 个约束面的交集上如右图所示，为保证方向 可行，要求 和 个约束函数在点的梯度 的夹角均大于等于90。那么其向量关系可表示为12/10/202212/10/20222.下降条件3.可行方向的下降条件是指沿该方向

23、作微小挪动后，所得新点的目的函数值是下降的。12/10/202212/10/2022如右图所示，满足下降条件的方向 应和目的函数在 点的梯度 的夹角大于90。其向量关系可表示为12/10/202212/10/2022满足可行和下降条件如右图所示，它位于约束曲面在 点的切线和目的函数等值线在 点的切线所围成的扇形区内，该扇形区称为可行下降方向区。12/10/202212/10/2022综上所述，当 点位于 个起作用的约束面上时，满足 的方向 称可行方向。12/10/202212/10/2022q可行方向的产生方法q满足可行、下降条件的方向位于可行下降扇形区内，在扇形区内寻找一个最有利的方向作为本

24、次迭代的搜索方向，其方法主要有优选方向法和梯度投影法两种。q优选方向法q要求在可行下降扇形区内选择一个能使目的函数下降最快的方向作为迭代的方向，这可以看作是一个以搜索方向 为设计变量的约束优化问题。12/10/202212/10/2022这个新的约束优化问题的数学模型可写成：由于 和 为定值，上述各函数均为设计变量 的线性函数，采用线性规划的方法求解后，求得的最优解 即为本次迭代的可行方向，即 。12/10/202212/10/20222.梯度投影法3.当 点目的函数的负梯度方向 不满足可行条件时，可将 方向投影到约束面或约束面的交集上，得到投影向量 如以下图所示，该投影向量显然满足方向的可行

25、和下降条件。12/10/202212/10/2022梯度投影法就是取该方向作为本次迭代的可行方向。可行方向的计算公式为 式中 点的目的函数梯度；投影算子，为 阶矩阵 式中 单位矩阵，阶矩阵；起作用约束函数的梯度矩阵，阶矩阵；式中 起作用的约束函数个数。12/10/202212/10/2022q步长确实定q可行方向 确定后，按下式计算新的迭代点q 但是由于目的函数及约束函数的性状不同，步长 确实定方法也不同，不管是用何种方法，都应使新的迭代点 为可行点，且目的函数具有最大的下降量。12/10/202212/10/2022确定步长 的常用方法有以下两种：取最优步长如右图所示，从 点出发，沿 方向进

26、展一维搜索，获得最优步长 ，计算新点x的值假设新点x为可行点，那么本次迭代的步长取12/10/202212/10/20222.取到约束边界的最大步长3.如右图所示，从 点沿 方向进展一维搜索，得到的新点 为不可行点，那么应改变步长，使新点 返回到约束面上来。使新点 恰好位于约束面上的步长称为最大步长，记作 。那么本次迭代的步长取 12/10/202212/10/2022由于实际上 确实定较为困难，可按以下步骤计算取一试验步长 ，计算试验点 。试验步长的值不能太大，以免因一步走得太远导致计算困难；也不能太小，使得计算效率太低。根据经历，试验步长 的值能使试验点 的目的函数值下降510，即 将目的

27、函数 在 点展开成泰勒级数的线性式 那么 12/10/202212/10/2022由此可得试验步长 计算公式因 为目的函数的下降方向，所以试验步长 恒为正值。试验步长选定后，试验点 按下式计算12/10/202212/10/20222.判别试验点 的位置3.由试验步长 确定的试验点 可能在约束面上，也可能在可行域或非可行域。只要 不在约束面上，就要设法将其调整到约束面上来。要想使 到达约束面 是很困难的。为此，先确定一个约束允差 。当试验点xt满足4.假设试验点 位于非可行域，那么转步骤3。5.假设试验点 位于可行域内，那么应沿 方向以步长 继续向前搜索，直至新的试验点 到达约束面或越出可行域

28、，再转步骤3。12/10/202212/10/20223.将位于非可行域的试验点 调整到约束面上。4.假设试验点 位于右图所示的位置，在 点处：5.显然应将 点调整到 的约束面上，因为对于 点来说，的约束违背量比 大。假设设 为约束违背量最大的约束条件，那么应满足约束违背量最大的约束条件12/10/202212/10/2022将试验点 调整到 的约束面上的方法有试探法和插值法两种。试探法的根本内容是当试验点位于非可行域时，将试验步长 缩短；当试验点位于可行域时，将试验步长 增加，即不断变化 的大小，直至满足允差条件时，即认为试验点 已被调整到约束面上了。12/10/202212/10/2022

29、2.插值法是利用线性插值将位于非可行域的试验点 调整到约束面上。设试验步长为 时，求得可行试验点当试验步长为 时，求得非可行试验点并设试验点 和 的约束函数分别为12/10/202212/10/2022它们之间的位置关系如右图所示。假设考虑约束允差 ，并按允差中心 作线性内插，可以得到将 点调整到约束面上的步长 。其计算公式为：本次迭代的步长取为12/10/202212/10/2022q收敛条件 按可行方向法的原理，将设计点调整到约束面上后，需要判断迭代是否收敛，即判断该迭代点是否为约束最优点。常用的收敛条件有以下两种：1.设计点 及约束允差满足 条件时，迭代收敛。12/10/202212/1

30、0/20222.设计点 满足库恩塔克条件 时，迭代收敛。q可行方向法的计算步骤1.在可行域内选择一个初始点 ，给出约束允差 及收敛精度值 。2.令迭代次数 ，第一次迭代的搜索方向取 。2.估算试验步长 ，计算试验点 。12/10/202212/10/20224.假设试验点 满足 ，点必位于第 个约束面上，那么转步骤6；假设试验点 位于可行域内，那么加大试验步长 ，重新计算新的试验点，直至 越出可出域，再转步骤5；假设试验点位于非可行域，那么直接转步骤5。5.确定约束违背量最大的约束函数 。用插值法计算调整步长 ，使试验点 返回到约束面上，那么完成一次迭代。再令 ，转下步。6.在新的设计点 处产

31、生新的可行方向 。12/10/202212/10/20227.假设 点满足收敛条件，那么计算终止。约束最优解为 8.否那么，改变允差 的值，即令9.再转步骤2。12/10/202212/10/2022可行方向法的程序框图返回返回12/10/202212/10/20226.5 惩罚函数法惩罚函数法q概述q惩罚函数法SUMT是一种间接解法。把约束引入原函数无约束优化方法“惩罚：给予无约束极值求解过程中企图违背约束的那些迭代点以很大的函数值，而子问题的目的是极小化目的函数，这样迫使无约束优化子问题的极小点趋于满足约束条件。重复地产生和求解一系列这样的子问题，它们的解在极限情况下趋向于原约束优化问题的

32、约束极小值。12/10/202212/10/2022根本原理：将约束优化问题 中的不等式和等式约束函数经过加权转化后，和原目的函数结合成新的目的函数惩罚函数。求解该新目的函数的无约束极小值，以期得到原问题的约束最优解。12/10/202212/10/2022这种方法按一定的法那么改变加权因子 和 的值，构成一系列的无约束优化问题，求得一系列的无约束最优解，并不断地逼近原约束优化问题的最优解。惩罚函数中 和 称为加权转化项。根据它们在惩罚函数中的作用，又分别称为障碍项和惩罚项。障碍项的作用是当迭代点在可行域内时，在迭代过程中将阻止迭代点越出可行域。惩罚项的作用是当迭代点在非可行域或不满足等式约夷

33、条件时，在迭代过程中将迫使迭代点逼近约束边界或等式约束曲面。12/10/202212/10/2022根据迭代过程是否在可行域内进展，惩罚函数法又可分为内点惩罚函数法，外点惩罚函数法和混合惩罚函数法三种。12/10/202212/10/2022q内点惩罚函数法内点法q特点：将新目的函数定义于可行域内，序列迭代点在可行域内逐步逼近约束边界上的最优点。q内点法只能用来求解具有不等式约束的优化问题。q对于只具有不等式约束的优化问题q转化后的惩罚函数形式为q 或12/10/202212/10/2022式中 惩罚因子，它是由大到小且趋近于0的数列，即 。或 障碍项。由于内点法的迭代过程在可行域内进展，障碍

34、项的作用是阻止迭代点越出可行域。由障碍项的函数形式可知，当迭代点靠近某一约束边界时，其值趋近于0，而障碍项的值陡然增加，并趋近于无穷大，好象在可行域的边界上筑起了一道“围墙，使迭代点始终不能越出可行域。显然，只有当惩罚因子 时，才能求得在约束边界上的最优解。12/10/202212/10/2022内点法中初始点 惩罚因子的初值 及其缩减系数c等重要参数的选取和收敛条件确实定初始点 的选取使用内点法时，初始点 应选择一个离约束边界较远的可行点。假设 太靠近某一约束边界，构造的惩罚函数可能由于障碍项的值很大而变得畸形，使求解无约束优化问题发生困难。惩罚因子初值 的选取惩罚因子的初值 应适当，否那么

35、会影响迭代计算的正常进展。太大，将增加迭代次数；太小，会使惩罚函数的性态变坏，甚至难以收敛到极值点。对于不同的问题，都要经过试算取 ，根据试算的结果，决定增加或减小 的值。12/10/202212/10/20222.按经历公式3.计算 值。4.惩罚因子的缩减系数c的选取5.在构造序列惩罚函数时，惩罚因子 是一个逐次递减到0的数列，相邻两次迭代的惩罚因子的关系为6.式中的c称为惩罚因子的缩减系数，c为小于1的正数。通常的取值范围在0.10.7之间。12/10/202212/10/20224.收敛条件内点法的收敛条件为前式说明相邻两次迭代的惩罚函数的值相对变化量充分小，后式说明相邻两次迭代的无约束

36、极小点已充分接近。满足收敛条件的无约束极小点 已逼近原问题的约束最优点，迭代终止。12/10/202212/10/2022内点法的计算步骤为：选取可行的初始点 ，惩罚因子的初值 ，缩减系数c以及收敛精度 。令迭代次数 。构造惩罚函数 ，选择适当的无约束优化方法，求函数 的无约束极值，得 点。判别迭代是否收敛，假设满足收敛条件，迭代终止。约束最优解为 否那么令 ，转步骤2。12/10/202212/10/2022内点法的程序框图P14412/10/202212/10/2022q外点惩罚函数法外点法q这种方法和内点法相反。新目的函数定义在可行域之外，序列迭代点从可行域之外逐渐逼近约束边界上的最优点

37、。q外点法可以求解含不等式、等式约束的优化问题。q对于约束优化问题q 12/10/202212/10/2022转化后的外点惩罚函数的形式为式中 惩罚因子，它是由小到大且趋近于 的数列，即 ；分别为对应于不等式约束和等式约束函数的惩罚项。12/10/202212/10/2022由于外点法的迭代过程在可行域之外进展，惩罚项的作用是迫使迭代点逼近约束边界或等式约束曲面。由惩罚项的形式可知，当迭代点x不可行时，惩罚项的值大于0，使得惩罚函数 大于原目的函数。当迭代点离约束边界愈远，惩罚项的值愈大。但当迭代点不断接近约束边界和等式约束曲面时，惩罚项的值减小，且趋近于0，惩罚项的作用逐渐消失，迭代点也就趋

38、近于约束边界上的最优点。12/10/202212/10/2022外点法中惩罚因子确实定外点法的惩罚因子按下式递增 式中 c 递增系数，通常取510。与内点法相反，惩罚因子的初值 假设取相当大的值。会使惩罚函数的等值线变形或偏心，求 的极值将发生困难，但 获得过小，势必增加迭代次数。通常取 可以获得满意的结果。12/10/202212/10/2022有时也可以按下面的经历公式来计算 式中12/10/202212/10/2022q混合惩罚函数法混合惩罚函数法简称混合法。这种方法把内点法和外点法结合起来，用来求解同时具有等式约束和不等式约束函数的优化问题。对于约束优化问题12/10/202212/1

39、0/2022转化之后混合函数的形式为式中 障碍项，惩罚因子r按内点法选取，即 。惩罚项，惩罚因子为 ，当 时，满足外点法对惩罚因子的要求。12/10/202212/10/2022混合法具有内点法的求解特点，即迭代过程在可行域内进展，因此初始点 x0，惩罚因子的初值 r0 均可按照内点法选取。12/10/202212/10/2022q例子：对于约束优化问题 q1、用内点法构造惩罚函数的一般表达形式并且确定一个初始点 。q2、假设第K次迭代时,得无约束极小点 ,试用外点法写出下一次迭代时惩罚函数的一般表达形式。12/10/202212/10/20221用内点法构造惩罚函数如下：其中：初始点必须是可行域内的点，即满足 和 例如：2假如 ，那么由于 ，所以，外点法构造下一次迭代时的惩罚函数如下：其中：12/10/202212/10/2022谢谢！