最优化算法—(1)基础理论关键
目录
1.数学模型
1.1.线性规划问题
决策变量为连续型,目标函数和约束条件为线性函数。
1.2.非线性规划问题
决策变量为连续型,目标函数或约束条件为非线性函数。
举例:
1.3.整数规划问题
一部分或全部决策变量必须取整数值的规划问题称为整数规划。
a.纯整数规划:全部决策变量都为整数;
b.混合整数规划:决策变量有一部分是整数值,另一部分不是整数;
c.0-1整数规划:决策变量只能取0或1的整数规划。
整数线性规划模型(一个线性规划模型中的部分或全部决策变量为整数)一般形式:
2.最优化模型分类
实际问题建模时,需根据变量类型、参数类型、目标数量、有无约束来选择合适的模型,再根据具体的模型来匹配对应的实现算法。
具体模型的讲解在后续的文章中更新。
3.凸函数
3.1.为什么要研究凸优化问题
因为凸优化问题具有非常好的性质,如果目标函数是凸函数,并且可行域是凸集,局部最优即是全局最优,且最优解满足:
3.2.如何判定凸函数
3.2.1.根据定义判断
3.2.2.根据定理判断
3.2.3.matlab工具画图
利用matlab分析工具,在一个自定义范围求解函数值,得到函数的曲线如下,很明显该函数为凸函数。
% matlab代码
x1 = 0:100;
x2 = -50:50;
f = x1.*x1 - 2*x1.*x2 + 2*x2.*x2 + 3*x2;
figure
plot3(x1,x2,f,'LineWidth',5)
grid on
title('f = x1.*x1 - 2*x1.*x2 + 2*x2.*x2 + 3*x2')
4.最优化算法分类
具体的算法讲解及实现在后续的文章中更新。
4.1.费马引理
通过证明可导函数的每一个可导的极值点都是驻点(函数的导数在该点为0),该定理给出了一个求出可微函数的最大值和最小值的方法。