无约束最优化问题之单纯形搜索法

最新推荐文章于 2023-12-12 16:18:39 发布

此账号已停更

最新推荐文章于 2023-12-12 16:18:39 发布

阅读量2.3k

点赞数

分类专栏：算法积累

本文链接：https://blog.csdn.net/qq_44261017/article/details/106162109

版权

本文介绍了单纯形搜索法在无约束优化问题中的应用，详细阐述了算法的目的、特点和步骤，并通过两个具体例题展示了如何运用该方法求解极小值问题，与解析法对比了结果。

摘要由CSDN通过智能技术生成

无约束最优化问题之单纯形搜索法

概念引入
算法目的
算法特点
算法步骤
例题1
例题2

概念引入

单纯形： $n$ 维空间 $\mathbb{R}^n$ 中具有 $n + 1$ 个顶点的凸多面体，比如一维空间中的线段，二维空间中的三角形，三维空间中的四面体等。

算法目的

求解无约束优化问题的极小值（最小值）。

算法特点

算法步骤中不需要计算目标函数的导数。

算法步骤

在这里插入图片描述

例题1

用单纯形搜索法求解下列问题: $min f(x):=(x_1-3)^2+2(x_2+2)^2.$
解：取初始单纯形顶点 $x^{(1)}=(0,0)^T,x^{(2)}=(1,0)^T,x^{(3)}=(0,1)^T$ ，反射系数 $\alpha=1$ ，扩展系数 $\gamma=2$ ，压缩系数 $\beta=0.5$ ，允许误差 $\epsilon=2$ 。
代码：

import numpy as np
import sys


def function(x):
    return (x[0] - 3) ** 2 + 2 * (x[1] + 2) ** 2


# 给定n维初始单纯形的n+1个顶点, 反射系数alpha>0, 扩展系数yita>1, 压缩系数beta(0<beta<1), 允许误差epsilon>0
x, alpha, yita, beta, epsilon = np.array([[0., 0], [1, 0], [0, 1]]), 1., 2., 0.5, 2.

# 初始化迭代次数, 计算顶点数
k = 1
dim = x.shape[0]

# 生成“(函数值，索引)”列表
func_list = [function(x[i, :]) for i in range(dim)]
func_list = [[func_list[i], i] for i in range(dim)]

# 算法迭代主体
while 1:
    print('进行第', k, '次迭代')
    print('  顶点与函数值:')
    for i in range(dim):
        print('  第', i + 1, '个顶点:', x[func_list[i][1]], '函数值:', func_list[i][0])

    func_list.sort()

    # 确定最高点x_h, 次高点x_g, 最低点x_l和对应的函数值
    x_h, f_h = x[func_list[-1][1]], func_list[-1][0]
    x_g, f_g = x[func_list[-2][1]], func_list[-2][0]
    x_l, f_l = x[func_list[0][1]], func_list[0][0]
    print('  最高点:', x_h, '函数值:', f_h)
    print('  次高点:', x_g, '函数值:', f_g)
    print('  最低点:', x_l, '函数值:', f_l)

    # 计算除x_h外的n个点的形心x_bar
    # x_bar = np.sum(x - x_h, axis=0) / (dim - 1)  # 公式一：来源于原算法，但不使用，可能会陷入死循环。
    x_bar = (np.sum(x, axis=0) - x_h) / (dim - 1)  # 公式二：重心公式
    print('  最高点外顶点的形心:', x_bar)

    # 进行反射
    x_nj2 = x_bar + alpha * (x_bar - x_h)
    f_nj2 = function(x_nj2)
    print('  反射点:', x_nj2, '函数值:', f_nj2)

    # 分类讨论：
    ## f_nj2的值小于最低点函数值f_l
    if f_nj2 < f_l: