一、最优化理论相关概念和实际建模
1.最优化问题及其分类,最优解的相关概念,最优化问题的算法的一般迭代格式及其收敛性和停止准则。
1.1 最优化问题是数学和计算科学中的一个重要领域,它涉及在给定约束条件下找到使某个目标函数最优化的变量值。
1.2 最优化问题的分类:
目标函数类型:根据目标函数是线性还是非线性,问题可以分为线性优化和非线性优化。
约束条件:问题可以分为有约束和无约束优化问题。有约束问题包括等式约束和不等式约束。
决策变量类型:根据决策变量是连续还是离散的,可以将问题分类为连续和整数优化问题。
最优解类型:问题可以分为单目标和多目标优化问题,其中多目标问题涉及多个相互竞争的目标函数。
优化问题类型:根据目标函数的性质,可以分为凸优化和非凸优化问题。凸优化问题通常具有全局最优解,而非凸问题可能有多个局部最优解。
1.3 最优解的相关概念:
最优解:最优解是指在满足给定约束条件的情况下,使目标函数值最小(或最大)的变量值。最优解可以是全局最优解(在整个搜索空间中最好的解决方案)或局部最优解(在某个局部区域内最好的解决方案)。
可行解:可行解是满足约束条件的解决方案,但不一定是最优解。
梯度:
g
=
∇
f
(
x
)
g = \nabla f(x)
g=∇f(x),对应基本问题的一阶导数。
Hesse矩阵:
G
=
∇
2
f
(
x
)
G = \nabla^2 f(x)
G=∇2f(x),对应于基本问题中的二阶导数。
1.4 一般的最优化算法迭代格式如下:
初始化:选择初始变量值。
迭代:重复以下步骤,直到满足停止准则:
计算目标函数的梯度或其他必要的信息。
更新变量值以降低目标函数值。
停止:满足停止准则,如目标函数值收敛到足够小的值或达到最大迭代次数。
1.5 收敛性和停止准则:
收敛性是指算法是否能够找到最优解或接近最优解。停止准则用于确定何时停止迭代,通常包括以下条件之一:
目标函数值不再显著改变(例如,小于某个容差)。
变量值不再显著改变。
达到最大迭代次数。
满足特定的约束条件。
2.建立一个实际最优化问题的数学模型的思想和方法,包括线性规划、非线性规划、动态规划及多目标规划模型。
二、线性规划
1.标准形式
m
i
n
∑
j
=
1
n
c
j
x
j
s
.
t
∑
j
=
1
n
a
i
j
x
j
=
b
i
,
i
=
1
,
2
,
.
.
.
,
m
x
j
≥
0
,
j
=
1
,
2
,
.
.
.
,
n
\begin{aligned} min\sum_{j=1}^{n}c_jx_j \\ s.t\sum_{j=1}^{n}a_{ij}x_j=b_i, & i=1,2,...,m \\x_j\geq0, &j=1,2,...,n \end{aligned}
minj=1∑ncjxjs.tj=1∑naijxj=bi,xj≥0,i=1,2,...,mj=1,2,...,n
或者使用矩阵表示
m
i
n
c
x
s
.
t
A
X
=
b
x
≥
0
\begin{aligned} min \ \mathbf{cx} \\ s.t \ \mathbf{AX } = \mathbf{b} \\ \mathbf{x \ge0} \end{aligned}
min cxs.t AX=bx≥0
当问题不是标准形式时,需要先化成标准形式再求解。
2.基本定理
定理1:线性规划的可行域是凸集。
定理2:设线性规划(矩阵形式表示)的可行域非空,则有以下结论:
(1):线性规划存在有限最优解的充分必要条件是所有
c
d
(
j
)
\mathbf{cd}^{(j)}
cd(j)为非负数,其中
d
(
j
)
\mathbf{d}^{(j)}
d(j)是可行域的极方向。
(2):若线性规划存在有限最有解,则目标函数的最优解在某个极点上达到。
定理3:令
K
=
{
x
∣
A
x
=
b
,
x
≥
0
}
K= \mathbf{\{x|Ax=b,x\ge0\}}
K={x∣Ax=b,x≥0},
A
A
A是
m
×
n
m\times n
m×n矩阵,
A
A
A的秩是
m
m
m,则
K
K
K的极点集是与
A
x
=
b
,
x
≥
0
\mathbf{Ax=b,x\ge0}
Ax=b,x≥0的基本可行解集等价。
定理4:如果
A
x
=
b
,
x
≥
0
\mathbf{Ax=b,x\ge0}
Ax=b,x≥0有可行解,则一定存在基本可行解,其中
A
A
A是
m
×
n
m\times n
m×n矩阵,
A
A
A的秩是
m
m
m。
3.解的概念
4.线性规划的三种解法
4.1 单纯形法
原理:
例题1:
例题2: