最优化(optimization),应用数学的重要研究领域.它是研究在给定约束之下如何寻求某些因素(的量),以使某一(或某些)指标达到最优的一些学科的总称.由于运筹学中出现的问题大多即是最优化所研究的问题,因此运筹学的许多分支,如数学规划、组合最优化、排队论,以及决策论等也是最优化的组成部分.此外,最优化还包括如工程最优设计、最优控制(控制论与运筹学的交叉分支)等.
狭义地说,最优化即指数学规划,有时也专指非线性规划.
主要研究以下形式的问题:
给定一个函数,寻找一个元素使得对于所有中的,(最小化);或者(最大化)
这类定式有时还称为“数学规划”(譬如,线性规划)。许多现实和理论问题都可以建模成这样的一般性框架。
典型的,一般为欧几里得空间中的子集,通常由一个必须满足的约束等式或者不等式来规定。 的元素被称为是可行解。函数被称为目标函数,或者费用函数。一个最小化(或者最大化)目标函数的可行解被称为最优解。
一般情况下,会存在若干个局部的极小值或者极大值。局部极小值定义为对于一些,以及所有的 满足
- ;
公式
成立。这就是说,在周围的一些闭球上,所有的函数值都大于或者等于在该点的函数值。一般的,求局部极小值是容易的,但是要确保其为全域性的最小值,则需要一些附加性的条件,例如,该函数必须是凸函数。
主要分支:
线性规划
方法:
对于无约束的优化问题, 如果函数是二次可微的话,可以通过找到目标函数梯度为0(也就是鞍点)的那些点来解决此优化问题。我们需要用黑塞矩阵来确定此点的类型。如果黑塞矩阵是正定的话,该点是一个局部最小解, 如果是负定的话,该点是一个局部最大解,如果黑塞矩阵是不定的话,该点是某种鞍点。
要找到那些拐点,我们可以通过猜测一个初始点,然后用比如以下的迭代的方法来找到。
如果目标函数在我们所关心的区域中是凸函数的话,那么任何局部最小解也是全局最优解。现在已经有稳定,快速的数值计算方法来求二次可微地凸函数的最小值。
有约束条件的约束问题常常可以通过拉格朗日乘数转化为非约束问题。
其他一些流行的方法有: