最优化理论与设计——最优化设计的基本概念
文章目录
- 1. 最优化设计概述
- 2. 最优化设计的数学模型
- 2.1. 两个引例
- 2.2. 最优化数学模型
- 2.2.1. 设计变量
- 2.2.2. 目标函数
- 2.2.2.1. 极大化目标与极小化目标
- 2.2.2.2. 单目标与多目标
- 2.2.2.3. 等值线、等值面、等值超曲面
- 2.2.3. 约束条件
- 3. 最优化问题的几何解释
1. 最优化设计概述
它的基本涵义是在设计或管理工程系统时,如果存在不止一种可行方案,则总希望从一切可行方案中选取一个最佳方案,这一选择过程称为最优化设计或最优化。
优化设计是在20世纪六十年代随计算机技术而发展起来的一门新学科、一种现代设计方法。它以“数学规化论”为理论基础,借助于电子计算机及计算软件,自动化的、迅速的进行探优。也就是说,最优化的目的就是寻求最佳的设计方案。
最优化设计主要解决的问题:
- 建模
即建立最优化问题的数学模型。应用相关的专业理论,将设计问题用数学的形式进行描述。 - 解模(主要)
即运用最优化方法借助于计算机求出模型的最优解。分为三步:(1)根据数学模型的数学性态选用合适优化方法;(2)对模型和优化方法进行程序设计和编码、上机调试求解;(3)分析解的现实实用性
2. 最优化设计的数学模型
2.1. 两个引例
最优化设计的数学模型究竟是什么样子的呢,我们先来看两个引例。
引例1
题干:要用薄钢板制造一个体积为5m3m^3m3的无盖货箱。要求其长度不小于4mmm。问:长、宽、高为多少时用料最省?
解:设其长、宽、高分别为x1x_1x1、x2x_2x2、x3x_3x3,用料数为S(x1,x2,x3)S(x_1,x_2,x_3)S(x1,x2,x3)
则有以下数学模型:
minS(x1,x2,x3)=min(x1x2+2(x2x3+x1x3))\min S(x_1,x_2,x_3)=\min \bigl(x_1x_2+2(x_2x_3+x_1x_3)\bigr)minS(x1,x2,x3)=min(x1x2+2(x2x3+x1x3))满足于:x1⩾4x2⩾0x3⩾0x1x2x3=5\begin{aligned} \text{满足于:}x_1 & \geqslant 4 \\ x_2 & \geqslant 0 \\ x_3 & \geqslant 0 \\ x_1x_2x_3 & = 5 \\ \end{aligned}满足于:x1x2x3x1x2x3⩾4⩾0⩾0=5
引例2
题干:某工厂生产甲、乙两种产品,生产每种产品所需的材料、工时、电力、利润以及材料供应量见下表。为使每天可能获得的利润最大,试确定两种产品每天的产量。
产品 | 材料/kg | 工时/h | 电力/(kw/h) | 利润/元 |
---|---|---|---|---|
甲 | 9 | 3 | 4 | 60 |
乙 | 4 | 10 | 5 | 120 |
供应量 | 360 | 300 | 2000 |
解:设每天生产甲产品x1x_1x1件,乙产品x2x_2x2件,每天获得的利润用f(x1,x2)f(x_1,x_2)f(x1,x2)表示。则有以下数学模型:maxf(x1,x2)=max(60x1+120x2)\max f(x_1,x_2)=\max\bigl(60x_1+120x_2\bigr)maxf(x1,x2)=max(60x1+120x2)满足于:9x1+4x2⩽3603x1+10x2⩽3004x1+5x2⩽2000x1⩾0x2⩾0\begin{aligned} \text{满足于:}9x_1+4x_2 & \leqslant 360 \\ 3x_1+10x_2 & \leqslant 300 \\ 4x_1+5x_2 & \leqslant 2000 \\ x_1 & \geqslant 0 \\ x_2 & \geqslant 0 \\ \end{aligned}满足于:9x1+4x23x1+10x24x1+5x2x1x2⩽360⩽300⩽2000⩾0⩾0
2.2. 最优化数学模型
由此2.1.中两个引例可得最优化数学模型的一种标准形式为:minx∈X→f(X→)\min_{x\in \overrightarrow{X}}f(\overrightarrow{X})x∈Xminf(X)s.t.gu(X→)⩽0u=1,2,...,mhv(X→)=0v=1,2,...,p⩽n\begin{aligned} \text{s.t.}\qquad g_{u}(\overrightarrow{X}) & \leqslant 0\qquad u=1,2,...,m \\ h_{v}(\overrightarrow{X}) & = 0\qquad v=1,2,...,p\leqslant n \\ \end{aligned}s.t.gu(X)hv(X)⩽0u=1,2,...,m=0v=1,2,...,p⩽n
其中,f(X→)f(\overrightarrow{X})f(X)为目标函数,即最优化的目标;X→\overrightarrow{X}X为设计变量向量,即待求解的参数;s.t.\text{s.t.}s.t.是Subject to,即约束条件;gu(X→)g_{u}(\overrightarrow{X})gu(X)表示有uuu个不等式约束;hv(X→)h_{v}(\overrightarrow{X})hv(X)表示有ppp个等式约束,ppp小于xxx的数量(p<np<np<n有多个解,p=np=np=n只有唯一解,p>np>np>n一般情况下无解或者解与p=np=np=n时一致)。
该最优化数学模型可以根据以下两个方面进行数学性态的划分:
- 若u=0,v=0u=0,v=0u=0,v=0则为无约束优化问题,否则为约束优化问题;
- 若f(X→)f(\overrightarrow{X})f(X)、gu(X→)g_{u}(\overrightarrow{X})gu(X)、hv(X→)h_{v}(\overrightarrow{X})hv(X)均是线性函数,则为线性规划问题(引例2),否则为非线性规划问题(引例1)。
2.2.1. 设计变量
一个最优化系统中有很多参数,这些参数大致可以分为两类:
- 预知参数
又称设计常量,是最优化系统中可事先确定的参数; - 设计变量
又称决策变量,是由最优化决定的参数,在优化过程中动态变化。
对于预知参数我们往往不需要花太多精力去关注,甚至大多数时候预知参数在整个优化过程中是一成不变的,例如 引例2 题干中给出的数据。因此我们重点关注设计变量。
设计变量向量表示为:X→={x1,x2,x3,...,xn}T\overrightarrow{X}=\{x_1,x_2,x_3,...,x_n\}^TX={x1,x2,x3,...,xn}T其中X→\overrightarrow{X}X是设计变量向量,其端点表示一个设计点(即一个最优化设计方案),所有设计点的集合称为设计空间;xi,i=1,2,3,...,nx_i,i=1,2,3,...,nxi,i=1,2,3,...,n表示X→\overrightarrow{X}X沿第iii个坐标轴的分量,即一个设计变量;nnn表示设计变量向量的维度,也即设计的自由度。
当我们求解出一个最优设计方案时,这个最优解可以表示为:X→∗={x1∗,x2∗,x3∗,...,xn∗}T\overrightarrow{X}^*=\{x_1^*,x_2^*,x_3^*,...,x_n^*\}^TX∗={x1∗,x2∗,x3∗,...,xn∗}T
如下图所示是设计变量向量的2维和3维表示:
2.2.2. 目标函数
目标函数是指在最优化设计中预期要达到的目标,表示为:f(X→)=f(x1,x2,x3,...,xn)f(\overrightarrow{X})=f(x_1,x_2,x_3,...,x_n)f(X)=f(x1,x2,x3,...,xn)其中,f(X→)f(\overrightarrow{X})f(X)称为目标函数(或评价函数),它是最优化设计预期目标的数学表达式,是设计变量xi,i=1,2,...,nx_i,i=1,2,...,nxi,i=1,2,...,n的函数。
2.2.2.1. 极大化目标与极小化目标
在现实世界中,最优化预期目标通常分为两类:
- 极大化目标(效果目标)
例如:例如、产值、增益、效益、生产率、可靠性、精度等等; - 极小化目标(成本目标)
例如:成本、时间、重量、体积、人力、材料、损耗、误差等等。
极大化目标和极小化目标可以相互转换。设已有目标函数minf(X→)\min f(\overrightarrow{X})minf(X),若要求maxf(X→)\max f(\overrightarrow{X})maxf(X),则可令:maxf(X→)=min[−f(X→)]\max f(\overrightarrow{X})=\min [-f(\overrightarrow{X})]maxf(X)=min[−f(X)]或maxf(X→)=min1f(X→)\max f(\overrightarrow{X})=\min \frac{1}{f(\overrightarrow{X})}maxf(X)=minf(X)1
2.2.2.2. 单目标与多目标
有时候我们需要同时优化多个目标,此时的最优化问题就称为多目标优化问题。对于单目标优化问题,计算表达式就是:f(X→)=f(X→)f(\overrightarrow{X})=f(\overrightarrow{X})f(X)=f(X)对于多目标优化问题,其计算表达式为:f(X→)=∑j=1mwjfj(X→),wj=wj1⋅wj2f(\overrightarrow{X})=\sum_{j=1}^{m}w_jf_j(\overrightarrow{X}),\qquad w_j=w_{j1}·w_{j2}f(X)=j=1∑mwjfj(X),wj=wj1⋅wj2其中,wjw_jwj称为加权因子;wj1>0w_{j1}>0wj1>0称为本征因子(权重参数),用来平衡各分目标函数fj(X→)f_j(\overrightarrow{X})fj(X)的重要程度;wj2>0w_{j2}>0wj2>0称为校正因子(归一化参数),用来调节各分目标函数fj(X→)f_j(\overrightarrow{X})fj(X)在数量级上的差别。
2.2.2.3. 等值线、等值面、等值超曲面
为了在高维空间上更方便地求解极值,我们定义了目标函数的等值线(等值面、等值超曲面),它是具有相等目标函数值的设计点所构成的平面曲线(空间平面或超曲面),表达为:f(X→)=Ci,i=1,2,...,nf(\overrightarrow{X})=C_i,\qquad i=1,2,...,nf(X)=Ci,i=1,2,...,n
以n=2为例,等值线有如下特殊性质:
- 等值线表示了f(X→)f(\overrightarrow{X})f(X)值的变化情况(函数的性态);越内层目标函数值越小(或越大,取决于目标函数的定义);等值线越稠密目标函数值变化越快,反之越慢;
- 不同值的等值线、面不相交,否则就是一个混沌系统;
- 等值线集的中心点即是最优解X→∗\overrightarrow{X}^*X∗。
2.2.3. 约束条件
最优化设计一般都是在有约束的情况下进行的,所谓约束,就是对设计变量的取值加上的限制条件。
约束条件按表达形式可以分为两类:
- 不等式约束:gu(X→)⩽0,u=1,2,...,mg_u(\overrightarrow{X})\leqslant 0,\qquad u=1,2,...,mgu(X)⩽0,u=1,2,...,m
- 等式约束:hv((X→)=0,v=1,2,...,p<nh_v((\overrightarrow{X})=0,\qquad v=1,2,...,p<nhv((X)=0,v=1,2,...,p<n
按性质可以分为两类:
- 性能约束(隐式约束)
即设计变量必须满足的性能要求,例如强度、刚度等等 - 边界约束(显式约束)
即设计变量的上下限:ai⩽xi⩽bia_i\leqslant x_i\leqslant b_iai⩽xi⩽bi。
直观地说,约束条件的意义在于在平面(空间、超空间)上构造了约束线(或约束面),下面我们用二维图形来展示约束条件的几何意义。
对于不等式约束条件 gu(X→)⩽0g_u(\overrightarrow{X})\leqslant 0gu(X)⩽0,有如下几何意义。下图中,gu(X→)⩽0g_u(\overrightarrow{X})\leqslant 0gu(X)⩽0以及gu(X→)=0g_u(\overrightarrow{X})= 0gu(X)=0处是可行域,gu(X→)⩾0g_u(\overrightarrow{X})\geqslant 0gu(X)⩾0处为非可行域,可行域内的所有独立点称为可行点,代表最优化模型的一个解,而gu(X→)=0g_u(\overrightarrow{X})= 0gu(X)=0这条约束线上的就是最优化模型的最优解。
当有多个不等式约束条件时,就会有如下情况。下图中,最优化模型的解都在可行域DDD内,四条约束线上的解就是最优化模型的最优解。
当不等式约束与等式约束相组合时,有如下情况。只有在可行域DDD内,且在约束线h1(X→)=0h_1(\overrightarrow{X})=0h1(X)=0上的解才是最优化模型的解。只有g1(X→)=0g_1(\overrightarrow{X})=0g1(X)=0与h1(X→)=0h_1(\overrightarrow{X})=0h1(X)=0,以及g2(X→)=0g_2(\overrightarrow{X})=0g2(X)=0与h1(X→)=0h_1(\overrightarrow{X})=0h1(X)=0相交的点才是最优化模型的最优解。
假如此时有两个等式约束,那就会有如下情况。如下图所示,只有可行域D内的黑点是最优化系统的唯一可行解,它可以称为最优解因为它是唯一的没有其他更好的解了,也可以说它不是最优解因为它不满足任何一个不等式约束。
3. 最优化问题的几何解释
在2.2.3. 约束条件
中就是用来几何图解来理解二维最优化问题。虽然几何图解法基本上没有什么实用价值,但可由直观的二维图解建立优化求解的基本概念,对掌握最优解的存在和规律,后面的多维问题的学习打下基础。
我们再用一个几何解释的例子来说明约束优化和无约束优化的区别:
设有如下最优化模型:minf(X→)=x12+x22−4x1+4\min f(\overrightarrow{X})=x_1^2+x_2^2-4x_1+4minf(X)=x12+x22−4x1+4s.t.g1(X→)=x2−x1⩽0g2(X→)=x12−x2+1⩽0g3(X→)=−x1⩽0\begin{aligned} \text{s.t.}\qquad g_1(\overrightarrow{X})& =x_2-x_1 \leqslant 0 \\ g_2(\overrightarrow{X})& =x_1^2-x_2+1 \leqslant 0 \\ g_3(\overrightarrow{X})& =-x_1 \leqslant 0 \\ \end{aligned}s.t.g1(X)g2(X)g3(X)=x2−x1⩽0=x12−x2+1⩽0=−x1⩽0
解:易发现,f(X→)f(\overrightarrow{X})f(X)是一个圆,于是将它转换为:minf(X→)=x22+(x1−2)2\min f(\overrightarrow{X})=x_2^2+(x_1-2)^2minf(X)=x22+(x1−2)2若此时不关注约束条件,即现在为一个无约束优化问题。那么很显然当x1=2x_1=2x1=2、x2=0x_2=0x2=0时有最优解minf(X→)=0\min f(\overrightarrow{X})=0minf(X)=0。
若此时关注约束条件,则约束条件在二维平面中可表示为下面的右图,即限定可行域(红色)的情况下,选取离与无约束最优解最近的解:
最优化理论与设计——最优化设计的基本概念相关推荐
- 最优化理论与KKT条件
看着内容挺好的,转载一下 原文:http://jacoxu.com/?p=78 1. 最优化理论(Optimization Theory) 最优化理论是研究函数在给定一组约束条件下的最小值(或者最大值 ...
- 陈宝林《最优化理论与算法》超详细学习笔记 (七)————第五章 运输问题
陈宝林<最优化理论与算法>超详细学习笔记 (七)----第五章 运输问题 第1节 运输问题的数学模型 第2节 表上作业法 2.1 确定初始基可行解 2.2 最优解的判别 2.3 改进的方法 ...
- 陈宝林《最优化理论与算法》超详细学习笔记 (三)————单纯形法
陈宝林<最优化理论与算法>详细学习笔记 (三)----单纯形法 数学模型 最优性检验与解的判别 最优解的判别定理 无穷多最优解判别定理 无界解判别定理 其他情形 第三章 单纯形法 单纯形表 ...
- (最优化理论与方法)第一章最优化简介-第三节:最优化基本概念
文章目录 一:最优化研究基本过程 二:全局最优解和局部最优解 三:优化算法 (1)迭代算法 (2)收敛问题 (3)算法的渐进收敛速度 (4)算法复杂度 一:最优化研究基本过程 最优化研究基本过程:一般 ...
- 最优化理论与方法(part11)--约束优化问题
学习笔记,仅供参考,有错必纠 文章目录 最优化理论与方法 约束优化问题 定义 8.1.1(可行点与可行域) 全局和局部极小值点 积极与非积极 最优化理论与方法 约束优化问题 定义 8.1.1(可行点与 ...
- 最优化理论与方法(part8)--凸集的分离和支撑
学习笔记,仅供参考,有错必纠 文章目录 最优化理论与方法 凸集的分离和支撑 定理 1.3.17(凸集外一点与闭凸集的极小距离) 定理 1.3.18 定理 1.3.19 定义 1.3.20(支撑超平面) ...
- 最优化理论与方法(part5)--函数和微分
学习笔记,仅供参考,有错必纠 文章目录 最优化理论与方法 函数和微分 连续可微和Hesse矩阵 d d d的方向导数 d d
- 最优化理论与方法(part4)--秩一校正
学习笔记,仅供参考,有错必纠 文章目录 最优化理论与方法 秩一校正 定理 1.2.6(Sherman-Morrison 定理) 定理 1.2.7(Sherman-Morrison-Woodburg 定 ...
- 最优化理论与方法(part3)--矩阵的Rayleigh商
学习笔记,仅供参考,有错必纠 文章目录 最优化理论与方法 矩阵的Rayleigh商 定义 1.2.4 定理 1.2.5 最优化理论与方法 矩阵的Rayleigh商 定义 1.2.4 备注: C C C ...
最新文章
- PHP微信公众号开发插件,基于ThinkCMF1.5.0开发的微信公众号插件
- use web IDE to commit change to git
- 毕设开发日志2017-12-01-Scan超时
- Java 18 发布:甲骨文公司已开始将Java纳入其软件许可审计
- 2011-8-13 随笔一二
- 国际版多时区设计方案【转】
- win10没有realtek高清晰音频管理器_【微软】第49期分享:装完Win 10最新补丁数据没了!...
- Egret和LayaBox
- 视频教程-CoreIDraw 2019零基础到精通-CorelDraw
- 新浪微博开放平台注册样例
- 显示器的分辨率,字体像素
- 负数补码(16进制转10进制的负数)
- macbook自带python保存文件夹_在mac下查找python包存放路径site-packages的实现方法 在Mac系统下python如何安装第三方函数库?...
- go 变量大写_go语言如何将大写转小写
- bzoj2565(manacher)
- JAVA:最大的行和列
- Android 分词功能,Android版中文分词:原理、接入和启动优化
- 怎么在Powerpoint幻灯片插入页码及其相关问题?
- python设置代理后图片内容不一样_Python爬虫---关于使用代理的一些异常
- 给企业划分子网(子网划分)