运筹学 $5约束极值
§5 约束极值
C1 最优性条件
1)非起作用约束
:当前可行解不在约束边界的约束
如g(X0)>tg(X_0)\gt tg(X0)>t满足g(X0)≥tg(X_0)\ge tg(X0)≥t但不在边界上
2)可行方向
:∃λ:X0+λD∈R⟺\exist\lambda:X_0+\lambda D\in R\iff∃λ:X0+λD∈R⟺对于所有起作用约束∇g(X0)TD≥0\nabla g(X_0)^TD\ge 0∇g(X0)TD≥0
3)下降方向
:若∃δ∀λ∈[0,δ]f(X0+λD)<f(X0)⟺∇f(X0)TD<0\exist \delta \forall \lambda\in[0,\delta]f(X_0+\lambda D)\lt f(X_0)\iff \nabla f(X_0)^TD\lt0∃δ∀λ∈[0,δ]f(X0+λD)<f(X0)⟺∇f(X0)TD<0
4)可行方向法:解minη{∇f(Xk)TD<η∇gi(Xk)TD>η−1⪯D⪯1\min \eta\begin{cases}\nabla f(X_k)^TD\lt \eta\\\nabla g_i(X_k)^TD\gt \eta\\ -1\preceq D\preceq 1\end{cases}minη⎩⎪⎨⎪⎧∇f(Xk)TD<η∇gi(Xk)TD>η−1⪯D⪯1
- 若η<0\eta\lt 0η<0,则对应最优可行下降方向
- 若∣η∣<ϵ|\eta|\lt \epsilon∣η∣<ϵ,可停止计算
5)K-T条件:约束极值点满足{∇f(X∗)−∑i=1mγi∇gi(X∗)=0γigi(X∗)=0γi∗≥0\begin{cases}\nabla f(X^*)-\sum\limits_{i=1}^m\gamma_i\nabla g_i(X^*)=0\\\gamma_i g_i(X^*)=0\\\gamma_i^*\ge0\end{cases}⎩⎪⎪⎨⎪⎪⎧∇f(X∗)−i=1∑mγi∇gi(X∗)=0γigi(X∗)=0γi∗≥0
- 对于凸规划,是充要条件;对于线性规划,是必要条件
- γi\gamma_iγi称为
广义拉格朗日乘子
C2 二次规划
1)二次规划
:目标函数为二次形式,且约束条件线性
minf(X)=∑j=1ncjxj+12∑j=1n∑k=1ncjkxjxk,cjk=ckj{∑j=1naijxj+bi≥0xj≥0\min f(X) =\sum\limits_{j=1}^n c_jx_j + \frac{1}{2}\sum\limits_{j=1}^n\sum\limits_{k=1}^n c_{jk}x_jx_k,c_{jk} = c_{kj}\\ \begin{cases} \sum\limits_{j=1}^n a_{ij} x_j +b_i\ge 0\\ x_j\ge 0 \end{cases} minf(X)=j=1∑ncjxj+21j=1∑nk=1∑ncjkxjxk,cjk=ckj⎩⎨⎧j=1∑naijxj+bi≥0xj≥0
2)K-T解法:问题等价于线性规划问题
minϕ(Z)=∑j=1nzj{∑i=1maijγn+i+γi−∑k=1ncjkxk+sgn(cj)zj=cj∑j=1naijxj−xn+i+bi=0xj≥0,yj≥0,zj≥0\min \phi(Z) = \sum\limits_{j=1}^n z_j\\ \begin{cases} \sum\limits_{i=1}^m a_{ij} \gamma_{n+i} +\gamma_i -\sum\limits_{k=1}^n c_{jk}x_k+sgn(c_j)z_j=c_j\\ \sum\limits_{j=1}^n a_{ij}x_j - x_{n+i}+b_i=0\\ x_j\ge 0, y_j \ge 0,z_j \ge 0 \end{cases} minϕ(Z)=j=1∑nzj⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧i=1∑maijγn+i+γi−k=1∑ncjkxk+sgn(cj)zj=cjj=1∑naijxj−xn+i+bi=0xj≥0,yj≥0,zj≥0
- 初始可行解
{zj=sgn(cj)cjxn+i=bixj=yj=0\begin{cases} z_j = sgn(c_j)c_j\\ x_{n+i}=b_i\\ x_j=y_j=0 \end{cases} ⎩⎪⎨⎪⎧zj=sgn(cj)cjxn+i=bixj=yj=0
C3 制约函数法
1)外点法:
- 令ϕ(gi(X))={0,t≥0t2,t<0\phi(g_i(X))=\begin{cases} 0,t\ge 0\\t^2,t\lt 0\end{cases}ϕ(gi(X))={0,t≥0t2,t<0为
惩罚函数
。P(X,M)=f(X)+M∑i=1lϕ(gi(x))P(X,M)=f(X)+M\sum\limits_{i=1}^l \phi(g_i(x))P(X,M)=f(X)+Mi=1∑lϕ(gi(x)) - 求解无约束极值问题minP(X,Mk)\min P(X,M_k)minP(X,Mk),
- 若某个gi(X)<−ϵg_i(X)\lt -\epsilongi(X)<−ϵ,则增大M,求解minP(X,Mk+1)\min P(X,M_{k+1})minP(X,Mk+1)。多次迭代直至得到可行解
2)内点法:
令g(X,r)=rk∑j=1l1gj(X)g(X,r)=r_k\sum\limits_{j=1}^l\frac{1}{g_j(X)}g(X,r)=rkj=1∑lgj(X)1或g(X,r)=−rk∑j=1llog(gj(X))g(X,r)=-r_k\sum\limits_{j=1}^l \log(g_j(X))g(X,r)=−rkj=1∑llog(gj(X))为
障碍函数
。Pˉ(X,r)=f(X)+g(X,r)\bar P(X,r)=f(X)+g(X,r)Pˉ(X,r)=f(X)+g(X,r)取一可行解X0X_0X0为初始点,求解无约束极值问题minPˉ(X,rk)\min \bar P(X,r_k)minPˉ(X,rk)
若g(X,rk)≤ϵg(X,r_k)\le \epsilong(X,rk)≤ϵ,则终止。否则减小r,计算minPˉ(X,rk+1)\min \bar P(X,r_{k+1})minPˉ(X,rk+1)
运筹学 $5约束极值相关推荐
- 极值跟踪算法 c语言,快速约束极值子空间跟踪算法_魏志强.pdf
快速约束极值子空间跟踪算法_魏志强 34 4 Vol. 34 No. 4 第 卷第 期 华 北 水 利 水 电 学 院 学 报 2013 8 Journal of North China Instit ...
- 最优化算法python实现篇(4)——无约束多维极值(梯度下降法)
最优化算法python实现篇(4)--无约束多维极值(梯度下降法) 摘要 算法简介 注意事项 算法适用性 python实现 实例运行结果 算法过程可视化 摘要 本文介绍了多维无约束极值优化算法中的梯度 ...
- 等式约束与不等式约束问题
针对特殊约束条件下的优化问题,有着不同类别适应不同条件的求解算法.包括梯度法.求解线性等式约束问题的投影梯度法.适用于含有等式约束规划和含有不等式规划的拉格朗日乘子法.针对不等式约束的KKT条件法.罚 ...
- 【高等数学基础进阶】多元函数的极值与最值
文章目录 无约束极值 条件极值与拉格朗日乘数法 最大最小值 常考题型方法与技巧 求极值(无条件) 求最大最小值 无约束极值 定义:若在点(x0,y0)(x_{0},y_{0})(x0,y0)的某邻 ...
- 约束规划——拉格朗日乘数法
拉格朗日乘数法 拉格朗日乘数法的基本思想 拉格朗日乘数法(Lagrange Multiplier Method)是一种优化算法,拉格朗日乘子法主要用于解决约束优化问题,它的基本思想就是通过引入拉格朗日 ...
- Gauss-Newton算法学习
Gauss-Newton算法是解决非线性最优问题的常见算法之一,最近研读开源项目代码,又碰到了,索性深入看下.本次讲解内容如下: 基本数学名词识记 牛顿法推导.算法步骤.计算实例 高斯牛顿法推导(如何 ...
- 实变函数与泛函分析课本pdf_实变函数与泛函分析
内容概要 本书第1章至第6章为实变函数与泛函分析的基本内容,包括集合与测度.可测函数.Ledcsgue积分.线性赋范空间.内积空间.有界线性算子与有界线性泛函等,第7章介绍了Banach空间上算子的微 ...
- 数学建模1(历年问题与模型)
数学问题 数学模型 程序情况 求解工厂生产总费用最小 LP模型 谢金鑫优化建模与LINGO\program\新建文件夹\ch03 分组匹配效率最高问题 同上 分组匹配效率最高问题 同上 二次规 ...
- 2022考研-高等数学教程
文章链接 https://gitee.com/fakerlove/math 文章目录 第一章 函数,连续,极限 1.1 函数 概念和常见的函数 性质 1.2 极限 数列极限 函数极限 性质 易错问题 ...
- 拉格朗日乘数法 —— 通俗理解
拉格朗日乘数法(Lagrange Multiplier Method)在数学最优问题中,是一种寻找变量受一个或多个条件所限制的多元函数的极值的方法.记得以前大学高数.数模等课程多次提到过,在求解最有问 ...
最新文章
- 架构思维-高业务复杂度系统建设思路
- Redis学习和环境搭建
- sql express 会提供iis 服务
- Ubuntu Linux配置Nginx+MySQL+PHP+phpMyAdmin详细步骤
- Oracle触发器详细介绍
- 2017/Province_C_C++_A/2/跳蚱蜢
- 不同林间域账号密码迁移
- wxpython和tkinter哪个好_为什么很多Python开发者写GUI不用Tkinter,而要选择PyQt和wxPython或其他?...
- 云桌面计算机被锁定如何解决,桌面布局已锁定怎么解除?电脑桌面便签布局锁定后怎么解除?...
- 黑马Pink老师H5CSS教程学习笔记
- 参考文献中英文人名_参考文献中英文人名的写法-
- win7万能声卡驱动_驱动精灵标准版 v9.61.3708.3054下载
- ddl是什么意思网络语_跟随你大学的流行词语 DDL 你竟还不知道?
- 神经网络原理的简单介绍,神经网络几何原理图
- wxpython中表格顶角怎么设置,wxpython listctrl并修复列宽
- Excel单元格如何调整行高与列宽?经验技巧!excel怎样设置单元格的高与宽?
- 论文阅读:In the Eye of the Beholder: A Survey of Models for Eyes and Gaze
- 决策树后剪枝算法(四)最小错误剪枝MEP
- 计算机主板上的fan,通用解决方案:计算机主板上的CPU_FAN,SYS_FAN,CHA_FAN,CPU_OPT接口知识...
- Android开发之获取网络类型(WIFI、2G、3G、4G)和运营商名称