制约函数法

序列无约束极小化技术

制约函数法(constrained function method )亦称序列无约束极小化技术.是将求解约束非线性规划问题转化为求解一系列无约束最优化问题的方法。

可行方向法

根据逐次沿可行方向求可行解点的迭代思想构造一点列{k}，使其满足某种给定要求的算法称为可行方向法。假设已知可行解为f(k),若能找到一个向量与步长数λk>0,使,而当0≤λ≤λk时，线段f(k)+λ属于约束集，则称为约束集在f(k)处的一个可行方向。可行方向法的关键在于适当选取, 点列{f(k)}符合一般迭代法的要求。对线性约束的情形，当ƒ(f)为可微凸函数时有三种较为有效的求的算法:G.藻滕代克于1960年提出的可行方向法, 取=y(k)- f(k)，其中y(k)为ƒ(f)在 f(k)处的线性近似函数在线性约束下达到最小值的最优解。J.B.罗森于1960年提出的梯度投影法,运用在f(k)处投影矩阵pk的公式,取最速下降方向－ƒ(f(k))在 f(k)所处的约束边界面上的投影方向－pkƒ(f(k))为,从而避免了每迭代一次就要解一个线性规划的手续。P.沃尔夫于1963年提出的既约梯度法，他应用消去基变量的方法和ƒ(f)的既约梯度的概念,构造出。这三种方法所产生的点列{f(k)}虽然可以使函数值序列{ƒ(f(k)}单调下降,但是它却不一定收敛于最优解。因此,后来陆续有不少研究工作,对原有方法进行种种修正,如采取摄动和转轴变换等技巧，而得出具有收敛性的各种新方法。1969年D.戈德福布结合梯度投影法与变尺度法提出了一种可行方向法，对二次凸规划是有限步收敛的。这些方法都可以推广用于处理非线性约束的情形。但是，算法程序都比较复杂。J.阿巴迪和J.卡彭特尔于1969年将既约梯度法加以推广,提出了广义既约梯度法(GRG法)用来求解具有非线性约束的最优化问题。实际计算的效果说明，广义既约梯度法是一种很好的算法。

上述线性近似型算法的收敛速度，一般都不高于超线性的。对二阶可微的函数ƒ(f)，在f(k)处若用二次函数·来近似，进而对可微函数ƒ(f)又用种种变尺度矩阵Hk去代替近似式中的矩阵2ƒ（f(k)）,将约束问题的求解化为求一系列二次规划的解，这类方法统称为序贯二次规划法，1963年R.B.威尔森对二阶可微函数ƒ(f)，gi(f)(i=1,2,…,m)提出将拉格朗日函数在已知点（f(k)，u(k)）处用二次近似函数来逼近，而对约束仍用线性近似函数逼近，并证明了在最优解附近，点列{f(k)}是二阶收敛的。若用二次函数在f(k)处逼近目标函数ƒ(f),其中Hk是正定函数,同时象无约束最优化方法中的变尺度算法一样，利用计算过程中得到的信息和变尺度公式来更新Hk，这种逐次二次规划算法也称为约束变尺度算法。它是求解带非线性约束的最优化问题的重要方法之一。

序贯无约束极小化法

历史

1943年R.库朗对于仅带一个约束等式g(f)=0的问题,引入参数t>0，研究函数ƒ(f)+t[g(f)]的平稳点f(t)在t→∞时与原问题的关系。对于具有不等式约束gi(f)≤0(i=1,2,…,m)的非线性规划问题，则作函数；如果将ƒ(f)看成“价格”，约束看成某种“规定”，为当f违反“规定”时的罚款项，于是p(f,t)就是应支付的总代价。因此,p(f,t)被称为罚函数，而t称为罚因子。在适当的假设下,p(f,t)在对f不加约束的情形下的最优解f(t),当t→∞时趋于原问题的最优解。这种方法称为罚函数法。由此就可以用逐渐加大tk的方法来求得原问题近似解f(tk)。为了克服p(f,t)的黑塞矩阵在t→∞时容易产生病态的缺点,W.I.赞格威尔于1967年提出精确罚函数E(f,t)，证明了在适当的假设下,存在t0>0,当t≥t0时E(f,t)的无约束最优解f(t)就是原问题的最优解。于是把有约束的最优化问题化为一个无约束的最优化问题。但是这种精确罚函数不是可微的，因而不便于利用一般无约束优化方法。M.R.赫斯泰尼斯和M.J.D.鲍威尔结合拉格朗日乘子法和罚函数法的特点，于1969年对约束为等式的情形提出可微的增广拉格朗日函,并指出在适当的假设下,存在t0>0,对任意取定的t≥t0，在最优乘处，L(f,t)的无约束最优必为原问题的最优解，还给出了逐步调整u和t的办法。以后陆续有不少工作对一般可微非线性规划，构造了各种不同的可微增广拉格朗日函数,并给出了算法的迭代程序。这类方法统称为广义乘子法。K.R.弗里希鉴于罚函数法产生的点列 {f(tk)}是从约束集的外部来逼近在约束边界上的最优解,于1955年提出所谓障碍,可使B(f,r)的无约束最优解f(r)在约束集内达到,而当r→0时,f(r)趋于原问题的最优解。1961年,C.W.卡罗尔提出了另一种典型的障碍函数。当r→0时,B(f,r)的黑塞矩阵也可能出现病态现象。

发展

对于不可微的凸规划，近十多年来有人用次梯度或差分等概念来建立算法。设ƒ为Rn中的凸函数,若矢量满足,则矢量称为函数ƒ在点f0处的一个次梯度。不可微凸规划的最优解在一定条件下满足以次梯度表示的推广的库恩－塔克尔条件(见非线性规划)。函数在一点的次梯度不一定是惟一的。可微函数在一点的梯度若不为零,其负梯度方向必是函数在此点的一个下降方向。然而不可微函数在一点的某些负次梯度可以不是函数的下降方向。这将导致上述可微情况的约束优化算法对于不可微凸规划往往会失败。不可微凸规划的次梯度算法类的基本迭代公式，这里tk(k)分别是按一定规则选定的步长和点 f(k)的次梯度(或近似次梯度)。在一些适当的条件下可证明,次梯度算法产生的点列{f(k)}收敛到问题的最优解。赞格威尔1969年提出用统一的观点研究算法。他的基本思想是，将算法看成是一个点到集的映像。在一些假设下由上半连续的点到集映像产生的点列 {f(k)}收敛于最优解。从而统一了不少已有算法的收敛性的研究。这方面的工作还在不断发展。

全国各地天气预报查询

上海市

云南省

云南省

云南省

云南省

云南省