数学建模与数学实验 无约束最优化
无约束最优化 数学建模与数学实验
实验目的 1无约束最优化基本算法 2掌握用数学软件包求解无约束最优化问题 实验内容 1无约束优化基本思想及基本算法 2, MATLAB优化工具箱简介 3,用 MATLAB求解无约束优化问题 4.实验作业
实验目的 实验内容 2.掌握用数学软件包求解无约束最优化问题. 1.无约束最优化基本算法. 1. 无约束优化基本思想及基本算法. 4. 实验作业. 3. 用MATLAB求解无约束优化问题. 2. MATLAB优化工具箱简介
无约束最优化问题 求解无约束最优化问题的的基本思想 ☆无约束最优化问题的基本算法 返回
无约束最优化问题 求解无约束最优化问题的的基本思想 *无约束最优化问题的基本算法 返回
求解无约束最优化问题的基本思想 标准形式: minf(X) X∈l 其中f:R→R maxf (X)=min[-f(r) X∈R 求解的基本思想(以二元函数为例) f(x12x2) f(X0)>f(Xx1)>f(X2) 连续可微 A1 O
( ) R min n X f X 其中 1 : R R n f → 标准形式： 求解无约束最优化问题的基本思想 求解的基本思想 ( 以二元函数为例) 1 x 2 x 1 2 f x x ( , ) O 1 x 2 x O 5 3 1 X0 X1 X2 ( ) X0 f ( ) X1 f ( ) X2 f 连 续 可 微 ( ) R max n X f X = ( ) R min [ ] n X f X −
f(x1x)=一x-x2 f(x1x)=x+2 f(x1x2)=x2-x2
唯一极小 全局极小) f(x,x2)=2x2-2xx2+x2-3x1+x2 O f=0.298 0.298 了(x1x2)=2 1.05x4+ x
多局部极小 f = 0.298 f = 0 f = 0.298 唯一极小 (全局极小) 2 2 1 2 1 1 2 2 1 2 f x x x x x x x x ( , ) 2 2 3 = − + − +
搜索过程』mm0(x1x)=100)+(=x)初始点(11 1400 100 0.790583.39 0.530.23260 0.180.00150 0.09-0.030.98 0.370 11 1 0.47 0.590.330.20 0.800.630.05 0.950.900.003 0990 99 lE-4 0.99909981E-5 0.99970.99981E-8 返回
搜索过程 2 2 2 min ( , ) 100( ) (1 ) 1 2 2 1 1 f x x x x x = − + − 最优点 (1 1) 初始点 ( -1 1) 1 x 2 x f -1 1 4.00 -0.79 0.58 3.39 -0.53 0.23 2.60 -0.18 0.00 1.50 0.09 -0.03 0.98 0.37 0.11 0.47 0.59 0.33 0.20 0.80 0.63 0.05 0.95 0.90 0.003 0.99 0.99 1E - 4 0.999 0.998 1E - 5 0.9997 0.9998 1E - 8 返回
无约束优化问题的基本算法 1.最速下降法(共轭梯度法)算法步骤: (1)给定初始点X0∈R”,允许误差E>0,令k=0 2)计算V/(x (3)检验是否满足收敛性的判别准则: lvf(* s 若满足,则停止迭代,得点X*≈X,否则进行 ()令S4=V(x),从x出发,沿S进行一维搜索, 即求,使得:mm(x4+4)=(x4+2S A≥0 (5)令X=Xk+4S,kk+1返回(2 最速下降法是一种最基本的算法,它在最优化方法中占有重要地位.最 速下降法的优点是工作量小,存储变量较少,初始点要求不高;缺点是收敛 慢,最速下降法适用于寻优过程的前期迭代或作为间插步骤,当接近极值 点时,宜选用别种收敛快的算法
⑴ 给定初始点 0 R n X ，允许误差 0,令 k=0； ⑵ 计算 ( ) k f X ； ⑶ 检验是否满足收敛性的判别准则： ( ) k f X ， 若满足，则停止迭代，得点 k X X * ，否则进行⑷； ⑷ 令 ( ) k k S = −f X ，从 k X 出发，沿 k S 进行一维搜索， 即求k ,使得： ( ) ( ) k k k k k f X S f X S + = + 0 min ； ⑸ 令 k k k k X = X + S +1 ，k=k+1 返回⑵. 无约束优化问题的基本算法 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位.最 速下降法的优点是工作量小，存储变量较少,初始点要求不高；缺点是收敛 慢，最速下降法适用于寻优过程的前期迭代或作为间插步骤，当接近极值 点时，宜选用别种收敛快的算法. 1．最速下降法（共轭梯度法）算法步骤：
2.牛顿法算法步骤: (1)选定初始点X∈R",给定允许误差E>0,令k=0; 2)求v/(x)(x)检验:若|y(x)<,则 停止迭代,令X≈X,否则,转(3); (3)令k=V(x)v/(x)(牛顿方向) (4)X=Xk+S,k=k+1,转回(2) 如果是对称正定矩阵A的二次函数,则用牛顿法,经过一次迭代 就可达到最优点,如不是二次函数,则牛顿法不能一步达到极值点, 但由于这种函数在极值点附近和二次函数很近似,因此牛顿法的收 敛速度还是很快的 牛顿法的收敛速度虽然较快,但要求黑塞矩阵可逆,要计 算二阶导数和逆矩阵,就加大了计算机的计算量和存储量
2．牛顿法算法步骤： (1) 选定初始点 0 R n X ，给定允许误差 0，令 k=0； (2) 求 ( ) k f X , ( ( )) 1 2 − k f X .检验：若 ( ) k f X ,则 停止迭代, * k 令X X .否则, 转(3)； (3) 令 ( ) ( ) k k k S = − f X f X 2 −1 [ ] （牛顿方向）； (4) k k k X = X + S +1 , k = k +1 ,转回(2). 如果f是对称正定矩阵A的二次函数，则用牛顿法，经过一次迭代 就可达到最优点,如不是二次函数，则牛顿法不能一步达到极值点， 但由于这种函数在极值点附近和二次函数很近似,因此牛顿法的收 敛速度还是很快的. 牛顿法的收敛速度虽然较快，但要求黑塞矩阵可逆，要计 算二阶导数和逆矩阵，就加大了计算机的计算量和存储量
3.拟牛顿法 为克服牛顿法的缺点,同时保持较快收敛速度的优点,利用第k步 和第k+1步得到的X,X,Vf(X),Vf(X+),构造一个正定 矩阵G近似代替ⅴ2f(Xk),或用H近似代替(ⅴ2f(Xk),将 牛顿方向改为: Gk+l Sk+l=-V(xk+), Sk+l=-Hktl v(k+l) 从而得到下降方向
3．拟牛顿法 为克服牛顿法的缺点，同时保持较快收敛速度的优点，利用第 k 步 和第 k+1 步得到的 k X ， k+1 X ， ( ) k f X ， ( ) +1 k f X ，构造一个正定 矩阵 k +1 G 近似代替 ( ) 2 k f X ,或用 k+1 H 近似代替 2 1 ( ( ))− k f X ，将 牛顿方向改为： k +1 G k +1 S =- ( ) +1 k f X ， k +1 S =- k+1 H ( ) +1 k f X 从而得到下降方向
