最优化理论与设计——最优化设计的基本概念

1. 最优化设计概述

它的基本涵义是在设计或管理工程系统时，如果存在不止一种可行方案，则总希望从一切可行方案中选取一个最佳方案，这一选择过程称为最优化设计或最优化。

优化设计是在20世纪六十年代随计算机技术而发展起来的一门新学科、一种现代设计方法。它以“数学规化论”为理论基础，借助于电子计算机及计算软件，自动化的、迅速的进行探优。也就是说，最优化的目的就是寻求最佳的设计方案。

最优化设计主要解决的问题：

1. 建模
   即建立最优化问题的数学模型。应用相关的专业理论，将设计问题用数学的形式进行描述。
2. 解模（主要）
   即运用最优化方法借助于计算机求出模型的最优解。分为三步：(1)根据数学模型的数学性态选用合适优化方法；(2)对模型和优化方法进行程序设计和编码、上机调试求解；(3)分析解的现实实用性

2. 最优化设计的数学模型

2.1. 两个引例

最优化设计的数学模型究竟是什么样子的呢，我们先来看两个引例。

引例1
题干：要用薄钢板制造一个体积为5$m^3$的无盖货箱。要求其长度不小于4$m$。问：长、宽、高为多少时用料最省?
解：设其长、宽、高分别为$x_1$、$x_2$、$x_3$，用料数为$S(x_1,x_2,x_3)$

则有以下数学模型：
$$\min S(x_1,x_2,x_3)=\min (x_1{x}_2+2(x_2{x}_3+x_1{x}_3))$$$$\begin{array}{rl}\text{满足于：}{x}_1& ⩾4\\ x_2& ⩾0\\ x_3& ⩾0\\ x_1{x}_2{x}_3& =5\end{array}$$

引例2
题干：某工厂生产甲、乙两种产品，生产每种产品所需的材料、工时、电力、利润以及材料供应量见下表。为使每天可能获得的利润最大，试确定两种产品每天的产量。

产品	材料/kg	工时/h	电力/(kw/h)	利润/元
甲	9	3	4	60
乙	4	10	5	120
供应量	360	300	2000

解：设每天生产甲产品$x_1$件，乙产品$x_2$件，每天获得的利润用$f(x_1,x_2)$表示。则有以下数学模型：$$\max f(x_1,x_2)=\max (60x_1+120x_2)$$$$\begin{array}{rl}\text{满足于：}9x_1+4x_2& ⩽360\\ 3x_1+10x_2& ⩽300\\ 4x_1+5x_2& ⩽2000\\ x_1& ⩾0\\ x_2& ⩾0\end{array}$$

2.2. 最优化数学模型

由此2.1.中两个引例可得最优化数学模型的一种标准形式为：$$\underset{x\in \overrightarrow{X}}{\min }f(\overrightarrow{X})$$$$\begin{array}{rl}\text{s.t.}{g}_u(\overrightarrow{X})& ⩽0u=1,2,...,m\\ h_v(\overrightarrow{X})& =0v=1,2,...,p⩽n\end{array}$$

其中，$f(\overrightarrow{X})$为目标函数，即最优化的目标；$\overrightarrow{X}$为设计变量向量，即待求解的参数；$\text{s.t.}$是Subject to，即约束条件；$g_u(\overrightarrow{X})$表示有$u$个不等式约束；$h_v(\overrightarrow{X})$表示有$p$个等式约束，$p$小于$x$的数量（$p<n$有多个解，$p=n$只有唯一解，$p>n$一般情况下无解或者解与$p=n$时一致）。

该最优化数学模型可以根据以下两个方面进行数学性态的划分：

1. 若$u=0,v=0$则为无约束优化问题，否则为约束优化问题；
2. 若$f(\overrightarrow{X})$、$g_u(\overrightarrow{X})$、$h_v(\overrightarrow{X})$均是线性函数，则为线性规划问题(引例2)，否则为非线性规划问题(引例1)。

2.2.1. 设计变量

一个最优化系统中有很多参数，这些参数大致可以分为两类：

1. 预知参数
   又称设计常量，是最优化系统中可事先确定的参数；
2. 设计变量
   又称决策变量，是由最优化决定的参数，在优化过程中动态变化。

对于预知参数我们往往不需要花太多精力去关注，甚至大多数时候预知参数在整个优化过程中是一成不变的，例如 引例2 题干中给出的数据。因此我们重点关注设计变量。

设计变量向量表示为： X → = { x 1 , x 2 , x 3 , . . . , x n } T \overrightarrow{X}=\{x_1,x_2,x_3,...,x_n\}^T X ={x1​,x2​,x3​,...,xn​}T其中$\overrightarrow{X}$是设计变量向量，其端点表示一个设计点（即一个最优化设计方案），所有设计点的集合称为设计空间；$x_i,i=1,2,3,...,n$表示$\overrightarrow{X}$沿第$i$个坐标轴的分量，即一个设计变量；$n$表示设计变量向量的维度，也即设计的自由度。

当我们求解出一个最优设计方案时，这个最优解可以表示为： X → ∗ = { x 1 ∗ , x 2 ∗ , x 3 ∗ , . . . , x n ∗ } T \overrightarrow{X}^*=\{x_1^*,x_2^*,x_3^*,...,x_n^*\}^T X ∗={x1∗​,x2∗​,x3∗​,...,xn∗​}T

如下图所示是设计变量向量的2维和3维表示：

2.2.2. 目标函数

目标函数是指在最优化设计中预期要达到的目标，表示为：$$f(\overrightarrow{X})=f(x_1,x_2,x_3,...,x_n)$$其中，$f(\overrightarrow{X})$称为目标函数（或评价函数），它是最优化设计预期目标的数学表达式，是设计变量$x_i,i=1,2,...,n$的函数。

2.2.2.1. 极大化目标与极小化目标

在现实世界中，最优化预期目标通常分为两类：

1. 极大化目标(效果目标)
   例如：例如、产值、增益、效益、生产率、可靠性、精度等等；
2. 极小化目标(成本目标)
   例如：成本、时间、重量、体积、人力、材料、损耗、误差等等。

极大化目标和极小化目标可以相互转换。设已有目标函数$\min f(\overrightarrow{X})$，若要求$\max f(\overrightarrow{X})$，则可令：$$\max f(\overrightarrow{X})=\min [-f(\overrightarrow{X})]$$或$$\max f(\overrightarrow{X})=\min \frac{1}{f(\overrightarrow{X})}$$

2.2.2.2. 单目标与多目标

有时候我们需要同时优化多个目标，此时的最优化问题就称为多目标优化问题。对于单目标优化问题，计算表达式就是：$$f(\overrightarrow{X})=f(\overrightarrow{X})$$对于多目标优化问题，其计算表达式为：$$f(\overrightarrow{X})=\sum _{j=1}^m{w}_j{f}_j(\overrightarrow{X}),w_j=w_{j1}\cdot w_{j2}$$其中，$w_j$称为加权因子；$w_{j1}>0$称为本征因子（权重参数），用来平衡各分目标函数$f_j(\overrightarrow{X})$的重要程度；$w_{j2}>0$称为校正因子（归一化参数），用来调节各分目标函数$f_j(\overrightarrow{X})$在数量级上的差别。

2.2.2.3. 等值线、等值面、等值超曲面

为了在高维空间上更方便地求解极值，我们定义了目标函数的等值线(等值面、等值超曲面)，它是具有相等目标函数值的设计点所构成的平面曲线(空间平面或超曲面)，表达为：$$f(\overrightarrow{X})=C_i,i=1,2,...,n$$

以n=2为例，等值线有如下特殊性质：

1. 等值线表示了$f(\overrightarrow{X})$值的变化情况（函数的性态）；越内层目标函数值越小（或越大，取决于目标函数的定义）；等值线越稠密目标函数值变化越快，反之越慢；
2. 不同值的等值线、面不相交，否则就是一个混沌系统；
3. 等值线集的中心点即是最优解${\overrightarrow{X}}^{\ast }$。

2.2.3. 约束条件

最优化设计一般都是在有约束的情况下进行的，所谓约束，就是对设计变量的取值加上的限制条件。

约束条件按表达形式可以分为两类：

1. 不等式约束：$g_u(\overrightarrow{X})⩽0,u=1,2,...,m$
2. 等式约束：$h_v((\overrightarrow{X})=0,v=1,2,...,p<n$

按性质可以分为两类：

1. 性能约束（隐式约束）
   即设计变量必须满足的性能要求，例如强度、刚度等等
2. 边界约束（显式约束）
   即设计变量的上下限：$a_i⩽x_i⩽b_i$。

直观地说，约束条件的意义在于在平面（空间、超空间）上构造了约束线（或约束面），下面我们用二维图形来展示约束条件的几何意义。

对于不等式约束条件 $g_u(\overrightarrow{X})⩽0$，有如下几何意义。下图中，$g_u(\overrightarrow{X})⩽0$以及$g_u(\overrightarrow{X})=0$处是可行域，$g_u(\overrightarrow{X})⩾0$处为非可行域，可行域内的所有独立点称为可行点，代表最优化模型的一个解，而$g_u(\overrightarrow{X})=0$这条约束线上的就是最优化模型的最优解。

当有多个不等式约束条件时，就会有如下情况。下图中，最优化模型的解都在可行域$D$内，四条约束线上的解就是最优化模型的最优解。

当不等式约束与等式约束相组合时，有如下情况。只有在可行域$D$内，且在约束线$h_1(\overrightarrow{X})=0$上的解才是最优化模型的解。只有$g_1(\overrightarrow{X})=0$与$h_1(\overrightarrow{X})=0$，以及$g_2(\overrightarrow{X})=0$与$h_1(\overrightarrow{X})=0$相交的点才是最优化模型的最优解。

假如此时有两个等式约束，那就会有如下情况。如下图所示，只有可行域D内的黑点是最优化系统的唯一可行解，它可以称为最优解因为它是唯一的没有其他更好的解了，也可以说它不是最优解因为它不满足任何一个不等式约束。

3. 最优化问题的几何解释

在2.2.3. 约束条件中就是用来几何图解来理解二维最优化问题。虽然几何图解法基本上没有什么实用价值，但可由直观的二维图解建立优化求解的基本概念，对掌握最优解的存在和规律，后面的多维问题的学习打下基础。

我们再用一个几何解释的例子来说明约束优化和无约束优化的区别：
设有如下最优化模型：$$\min f(\overrightarrow{X})=x_1^2+x_2^2-4x_1+4$$$$\begin{array}{rl}\text{s.t.}{g}_1(\overrightarrow{X})& =x_2-x_1⩽0\\ g_2(\overrightarrow{X})& =x_1^2-x_2+1⩽0\\ g_3(\overrightarrow{X})& =-x_1⩽0\end{array}$$

解：易发现，$f(\overrightarrow{X})$是一个圆，于是将它转换为：$$\min f(\overrightarrow{X})=x_2^2+(x_1-2{)}^2$$若此时不关注约束条件，即现在为一个无约束优化问题。那么很显然当$x_1=2$、$x_2=0$时有最优解$\min f(\overrightarrow{X})=0$。

若此时关注约束条件，则约束条件在二维平面中可表示为下面的右图，即限定可行域(红色)的情况下，选取离与无约束最优解最近的解：