最优化学习笔记 |
您所在的位置:网站首页 › 整数规划一定有最优解吗 › 最优化学习笔记 |
第三章——非线性规划的数学模型
这里写目录标题
第三章——非线性规划的数学模型前言一、 数学模型二、 直观理解三、无约束问题的最优性条件四、 凸的无约束问题的最优性条件五、基本思路最优化方法通常采用迭代方法(iterative)求解最优化方法的基本结构,给定初始点x^(0)下降方向:计算的终止条件(Termination criterion)与收敛速度(Convergence rate)二次终止性
注:47页之后的没有看
前言
非线性规划比线性规划更困难,没有统一的数学模型,有自己特定的适用范围,目前还没有通用于所有问题的非线性规划问题的算法 一、 数学模型
线性规划LP问题有最优解,最优解必可以在极点上达到 非线性规划NLP问题的最优解可能是可行域上的任一点,且有局部和全局最优解之分,并且一般求出的都是局部最优解,对于凸规划则局部最优是全局最优 三、无约束问题的最优性条件导数、梯度、极值、法向量 梯度就是过点X0等值线在该点处的法向量\法平面等 多元函数的泰勒展开——》线性逼近和二次逼近 二次终止性:算法应用于一个二次函数,只要经过有限步的迭代就一定能达到函数的极小值点 例题: 这里的Hessian矩阵有打错,是把X1到X4全带入得到的四个矩阵 凸函数的一阶充要条件: 基本思想:给定一个初始点x(0)∈Rn,按照某种迭代规则(一般称为算法)产生一个点{x(k)},使得当{x(k)}是有穷点列时,其最后一个点是最优化模型问题的最优解;当{x(k)}是无穷点列时,它有极限点,且其极限点是最优化模型问题的最优解 最优化方法的基本结构,给定初始点x^(0)1.确定搜索方向p(k):即依照一定的准则,构造f在x(k)点处的下降方向作为搜索方向 2.确定步长因子λ_k,使目标函数值有某种意义的下降 3.令x(k+1)=x(k)+λ_kp(k),若x(k+1)满足某种终止条件,则停止迭代,得到近似最优解x(k+1),否则,重复以上步骤 下降方向:是指对目标函数f:Rn→R1,x ̅∈Rn,向量p∈Rn(p≠0),若存在δ>0,∀λ∈(0,δ),都有f(x ̅+λp) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |