機械優(yōu)化設計復習總結(文件)
【正文】 可行的新點完成一次迭代，重復迭代過程直至滿足收斂條件?；舅悸罚涸诳尚杏騼冗x擇一個初始點，利用隨機數的概率特性，產生若干個隨機方向，并從中選擇一個能使目標函數值下降最快的隨機方向作為可行的搜索方向。產生個維隨機單位向量，找到個隨機點中使目標函數最小的點，得到可行搜索方向，進行迭代計算，直到搜索到一個滿足全部約束條件且目標函數值不再下降的新點。根據不同的方法生成初始復合型。基本思路是在可行域內選擇一個初始點，確定一個可行方向和適當步長后，按進行迭代計算?？尚蟹聪虻漠a生方法：優(yōu)選方向法和梯度投影法?；舅悸肥菍⒓s束優(yōu)化問題中的不等式和等式約束函數經過加權轉化后，和目標函數結合形成新的目標函數——懲罰函數，加權項可分為障礙項和懲罰項；障礙項的作用是當迭代點在可行域內時，在迭代過程中將阻止迭代點越出可行域，懲罰項的作用是當迭代點在非可行域內或不滿足等式約束條件時，在迭代過程中將迫使迭代點逼近約束邊界或等式約束曲面。內點法的初始點應選擇力約束邊界較遠的可行點。34. 混合懲罰函數法。35. 多目標優(yōu)化問題和單目標優(yōu)化問題的一個本質的不同點是：多目標優(yōu)化是一個向量函數的優(yōu)化，即函數值大小的比較，而向量函數值大小的比較，要比標量值大小的比較復雜。主要目標法：從多個目標中選擇一個目標作為主要目標，其他目標轉化成約束函數，將多目標優(yōu)化問題變成單目標優(yōu)化問題；統(tǒng)一目標法：線性加權和法、理想點法和平方和加權法、分目標乘除法；分層序列法及寬容分層序列法：將多目標優(yōu)化問題中的個目標函數分清主次，按其重要程度逐一排除，依次對各個目標函數求最優(yōu)解，后一目標在前一目標函數最優(yōu)解的集合內尋優(yōu)。引進寬容分層序列法，對個目標函數的最優(yōu)解放寬要求，事先對各目標函數的最優(yōu)值給定寬容量。多目標優(yōu)化問題只有求得解時非劣解或弱非劣解時才有意義，劣解是沒有意義的，絕對最優(yōu)解存在的可能性很小。用來求解勇士具有等式約束和不等式約束函數的優(yōu)化問題。33. 外點法可以用來求解含不等式和等式約束的優(yōu)化問題。32. 內點法只能用來求解具有不等式約束的優(yōu)化問題。確定步長的兩種常用方法：去最優(yōu)步長或取到約束邊界的最大步長。一是在約束面的迭代點處，產生一個可行方向，沿此方向作一維最優(yōu)化搜索，得到可行域內的新點，再沿點的負梯度方向繼續(xù)搜索；二是在約束面的迭代點處，產生一個可行方向，沿此方向作一維最優(yōu)化搜索，得到可行域外的新點，再設法將點移動到約束面上，即取與約束面的交點作為新的迭代點；三是沿約束面搜索，適用于只具有線性約束條件的非線性規(guī)劃問題。收縮——中心店以外找不到好的反射點，在以內采用收縮的方法，收縮點坐標：；壓縮——采取將復合型各頂點向最好點靠攏，采用壓縮的方法來改變復合型的形狀，壓縮頂點坐標：?；舅悸罚涸诳尚杏騼葮嬙炀哂校ǎ﹤€頂點（個頂點都必須是可行點）的初始復合型。按照一定的數學模型得到的隨機數稱為偽隨機數。直接解法包括隨機方向法、復合型法、可行方向法、廣義節(jié)約梯度法，屬于間接解法的懲罰函數法和增廣乘子法。27. 約束優(yōu)化方法，根據求解方式的不同，可分為直接解法和間接解法。引入松弛因子將不等式約束轉換為等式約束可以發(fā)現(xiàn)，這些松弛變量就可以作為初始基本可行解中的一部分基本變量。選定不
教學教案相關推薦
鄂ICP備17016276號-1