约束优化问题的罚函数求解方法

最新推荐文章于 2024-07-06 14:03:10 发布

置顶陆嵩

最新推荐文章于 2024-07-06 14:03:10 发布

阅读量2.2w

点赞数 16

分类专栏： MATLAB与Mathematica 计算数学数据科学与人工智能数学原理杂类文章标签：罚函数惩罚项优化求解约束优化问题大数据

本文链接：https://blog.csdn.net/lusongno1/article/details/80559600

版权

计算数学同时被 3 个专栏收录

167 篇文章 154 订阅

订阅专栏

MATLAB与Mathematica

141 篇文章 103 订阅

订阅专栏

数学原理

116 篇文章 18 订阅

订阅专栏

约束优化问题的罚函数求解方法（外罚）

惩罚函数法是求解有约束的最优化问题的一种算法。
惩罚函数法的要旨是将一个有约束的最优化问题转化为一系列的无约束问题；这些无约束问题由原问题及罚函数，再加上惩罚因子组成；而且，这些无约束问题的解会收敛于所求问题的解。

算法和步骤

这里写图片描述

程序和示例

写一个程序用罚函数方法求解：
这里写图片描述

计算前两部迭代的结果，也就是 $x_1$ 和 $x_2$ 。

clc
clear
%这个算法可能会收敛到局部极值点
f = @(t) t(1)+t(2);
c = @(t) t(1)^2 + t(2)^2 - 2;
Ce = [c];%等式约束
%Ci=[] 不等式约束,先不考虑这一部分
alpha = 2;
sigma0 = 10;
eps = 0.00001;
x0 = [-10,10]';%初始点要选在可行域外，外点法

[xk,k] = penalty(f,Ce,x0,sigma0,alpha,eps);


function [xk,k] = penalty(f,Ce,x0,sigma0,alpha,eps)
P = @(x) sum(Ce(x).^alpha);
H0 = [1 0;0 1];
epsilon = 0.00001;
sigma = sigma0;
xk = x0;
k = 0;
c = 2;
while abs(sigma*P(xk))>= eps
F = @(x) f(x)+ sigma*P(x);
%syms x1 x2;simplify(F([x1,x2]));
%xk = quasi_Newton(F,xk,epsilon,H0,'BFGS');
warning off；
xk = fminunc(F,xk);
%xk = fmincon(f,xk,[],[],[],[],[],[],@mycon)
sigma = c*sigma;
k = k+1;
xk
end

end

选定参数如下：

α = 2; σ 0 = 10; ϵ = 0.01; x 0 = [- 10, 10] T;

$\alpha = 2; \sigma_0 = 10; \epsilon = 0.01; x_0 = [-10,10]^T;%初始点要选在可行域外$
计算得到

x1=(−1.0179,−0.9942)T，x2=(−1.0031,−1.0031)T x 1 = ( − 1.0179 , − 0.9942 ) T ， x 2 = ( − 1.0031 , − 1.0031 ) T $x_1 = (-1.0179,-0.9942)^T，x_2 = (-1.0031,-1.0031)^T$ 。