工程优化方法第1章
(一)根据问题的不同特点分类
无约束最优化问题
约束最优化问题
等式约束优化问题
不等式约束优化问题
一般的约束优化问题
以上为标准形式,某些问题可标准化:
1)
2)
j =1
为由向量d (1) , d (2) , … , d (m) 生成的子空间,简记
为L。
正交子空间:设 L 为Rn的子空间,其正交子空间为
L={ x Rn xTy=0 , y L }
子空间投影定理:设 L 为Rn的子空间。那么 z Rn, 唯一 x L , y L, 使 z=x+y , 且 x 为问题
min ‖z - u‖
. u L 的唯一解,最优值为‖y‖。
特别, L =Rn 时,正交子空间 L={ 0 }(零空间)
规定:x , y Rn,x ≤ y xi ≤ yi ,i 类似规定 x ≥ y,x = y,x < y , x > y .
一个有用的定理:
设 xRn,R,L为Rn 的线性子空间,
(1)若 xTy ≤ , yRn 且 y ≥ 0,
则 x ≤ 0, ≥ 0 .
(2)若 xTy ≤ , y L Rn ,
则 x L, ≥ 0 .(特别, L=Rn时,x =0)
定理的其他形式:
“若 xTy ≤ , yRn 且 y ≤ 0,则 x ≥ 0, ≥ 0 .”
“若 xTy ≥ , yRn 且 y ≥ 0,则 x ≥ 0, ≤ 0 .”
“若 xTy ≥ , yRn 且 y ≤ 0,则 x ≤ 0, ≤ 0 .”
“若 xTy ≥ , y L Rn , 则 x L, ≤ 0 .”
3、多元函数及其导数
(1) n元函数:f (x): Rn R
线性函数:f (x) = cTx + b = ci xi + b
二次函数:f (x) = (1/2) xTQx + cTx + b
= (1/2)i j aij xi xj + ci xi + b
向量值线性函数:F(x) = Ax + d Rm
其中 A为 mn矩阵,d为m维向量
F(x)=( f1(x), f2(x), … , fm(x) )T
记 aiT为A的第i行向量,fi(x) = aiTx+di
(2) 梯度(一阶偏导数向量):
f (x)= Rn .
线性函数:f (x) = cTx + b , f (x) = c
二次函数:f (x) = (1/2) xTQx + cTx + b
f (x) = Qx + c
注:Q为对称阵
向量值线性函数:F(x) = Ax + d Rm
F / x = AT
(3) Hesse 阵(二阶偏导数矩阵):
线性函数:f (x) = cTx + b , 2f (x) = 0
二次函数:f (x) = (1/2) xTQx + cTx + b,
2f(x)=Q 注:Q为对称阵
(4)n元函数的Taylor展开式及中值公式:
设 f (x): Rn R ,二阶可导。在x* 的邻域内
一阶Taylor展开式:
f (x) = f (x*)+ f T(x*)(x-x*) + o‖x-x*‖
二阶Taylor展开式:
f (x) = f (x*)+ f T(x*)(x-x*) + (1/2)(x-x*)T 2f (x*)(x-x*)
+ o‖x-x*‖2
一阶中值公式:对x, , 使
f (x) = f (x*)+ [f (x*+(x-x*))]T(x-x*)
Lagrange余项:对x, , 记xx*+ (x-x*)
f (x) = f (x*)+ f T(x*)(x-x*) + (1/2)(x-x*)T H (x )(x-x*)
(
工程优化方法第1章 来自淘豆网www.taodocs.com转载请标明出处.