五种最优化方法.doc

)无约束和有约束条件;2)确定性和随机性最优问题(变量是否确定);3)线性优化与非线性优化(目标函数和约束条件是否线性);4)静态规划和动态规划(解是否随时间变化)。(有约束条件):式中f(X)称为目标函数(或求它的极小,或求它的极大),si(X)称为不等式约束,hj(X)称为等式约束。化过程就是优选X,使目标函数达到最优值。)解决的是无约束非线性规划问题;2)是求解函数极值的一种方法;3)是一种函数逼近法。(梯度法))解决的是无约束非线性规划问题;2)是求解函数极值的一种方法;3)沿函数在该点处目标函数下降最快的方向作为搜索方向;(步长加速法))解决的是无约束非线性规划问题;2)不需要求目标函数的导数,所以在解决不可导的函数或者求导异常麻烦的函数的优化问题时非常有效。3)模式搜索法每一次迭代都是交替进行轴向移动和模式移动。轴向移动的目的是探测有利的下降方向,而模式移动的目的则是沿着有利方向加速移动。。在许多实际问题中,衡量一个方案的好坏标准往往不止一个,多目标最优化的数学描述如下:min(f_1(x),f_2(x),...,f_k(x))(x)<=0传统的多目标优化方法本质是将多目标优化中的各分目标函数,经处理或数学变换,转变成一个单目标函数,然后采用单目标优化技术求解。常用的方法有“线性加权和法”、“极大极小法”、“理想点法”。选取其中一种线性加权求合法介绍。-输出模式映射关系,进而达到优化的一种方法,主要有人工神经网络法,遗传算法和模拟退火法等。个体就是模拟生物个体而对问题中的对象(一般就是问题的解)的一种称呼。种群就是模拟生物种群而由若干个体组成的群体,它一般是整个搜索空间的一个很小的子集。,而对问题中的个体对象所设计的表征其优劣的一种测度。适应度函数就是问题中的全体个体与其适应度之间的一个对应关系。该函数就是遗传算法中指导搜索的评价函数。、交叉、变异等遗传操作,最终求得最优解或近似最优解。遗传算法步骤步1在搜索空间U上定义一个适应度函数f(x),给定种群规模N,交叉率Pc和变异率Pm,代数T; 步2随机产生U中的N个个体s1,