第三章非线性规划

最新推荐文章于 2023-12-25 16:07:39 发布

qq_48437297

最新推荐文章于 2023-12-25 16:07:39 发布

阅读量2.5k

点赞数 3

分类专栏：建模

本文链接：https://blog.csdn.net/qq_48437297/article/details/106659141

版权

建模专栏收录该内容

7 篇文章 2 订阅

订阅专栏

**@第三章非线性规划

1 非线性规划

1.1 非线性规划的实例与定义

	 例1（投资决策问题）某企业有 n 个项目可供选择投资，并且至少要对其中一个

项目投资。已知该企业拥有总资金 A 元，投资于第i(i = 1,L,n) 个项目需花资金ai 元，并预计可收益bi 元。试选择最佳投资方案。
解设投资决策变量为
在这里插入图片描述
最佳投资方案应是投资额最小而总收益最大的方案，所以这个最佳投资决策问题归结为总资金以及决策变量（取 0 或 1）的限制条件下，极大化总收益和总投资之比。因此，其数学模型为：

上面例题是在一组等式或不等式的约束下，求一个函数的最大值（或最小值）问题，其中至少有一个非线性函数，这类问题称之为非线性规划问题。可概括为一般形式
在这里插入图片描述

1.2 线性规划与非线性规划的区别

	如果线性规划的最优解存在，其最优解只能在其可行域的边界上达到（特别是可行

域的顶点上达到）；而非线性规划的最优解（如果最优解存在）则可能在其可行域的任意一点达到。

1.3 非线性规划的 Matlab 解法

在这里插入图片描述
Matlab 中的命令是
X=FMINCON(FUN,X0,A,B,Aeq,Beq,LB,UB,NONLCON,OPTIONS)

它的返回值是向量 x ，其中 FUN 是用 M 文件定义的函数 f (x)；X0 是 x 的初始值；A,B,Aeq,Beq 定义了线性约束 A* X ≤ B, Aeq * X = Beq ，如果没有线性约束，则A=[],B=[],Aeq=[],Beq=[]；LB 和 UB 是变量 x 的下界和上界，如果上界和下界没有约束，则 LB=[]，UB=[]，如果 x 无下界，则 LB 的各分量都为-inf，如果 x 无上界，则 UB的各分量都为 inf；NONLCON 是用 M 文件定义的非线性向量函数C(x),Ceq(x) ；OPTIONS定义了优化参数，可以使用 Matlab 缺省的参数设置。
例2
在这里插入图片描述

解（i）编写 M 文件 fun1.m 定义目标函数
function f=fun1(x);
f=sum(x.^2)+8;
（ii）编写M文件fun2.m定义非线性约束条件
function [g,h]=fun2(x);
g=[-x(1)^2+x(2)-x(3)2
x(1)+x(2)^2+x(3)3-20]; %非线性不等式约束
h=[-x(1)-x(2)^2+2
x(2)+2*x(3)^2-3]; %非线性等式约束
（iii）编写主程序文件 example2.m 如下：
options=optimset(‘largescale’,‘off’);
[x,y]=fmincon(‘fun1’,rand(3,1),[],[],[],[],zeros(3,1),[], … ‘fun2’, options)
就可以求得当 x1 = 0.5522, x2 =1.2033, x3 = 0.9478 时，最小值 y =10.6511。

1.4 求解非线性规划的基本迭代格式

记（NP）的可行域为 K 。若 x ∈ K * ，并且
f (x ) ≤ f (x), ∀x ∈ K *
则称 x* 是（NP）的整体最优解， f( x* )f 是(NP)的整体最优值。如果有
f (x* ) < f (x), ∀x ∈ K, x ≠ x*
则称 x* 是（NP）的严格整体最优解， f (x* ) 是(NP)的严格整体最优值。
若 x* ∈ K ，并且存在 x* 的邻域 N δ (x* )，使
f (x* ) <=f (x), ∀ x∈ Nδ(x ) 交 K，
则称 x 是（NP）的局部最优解， f(x ) 是(NP)的局部最优值。如果有
f (x ) <f (x), ∀ x∈ Nδ(x) 交 K
则称 x 是（NP）的严格局部最优解，f(x ) 是(NP)的严格局部最优值。
由于线性规划的目标函数为线性函数，可行域为凸集，因而求出的最优解就是整个可行域上的全局最优解。非线性规划却不然，有时求出的某个解虽是一部分可行域上的极值点，但却并不一定是整个可行域上的全局最优解。
对于非线性规划模型(NP)，可以采用迭代方法求它的最优解。迭代方法的基本思想是：从一个选定的初始点 x 0∈ R^n出发，按照某一特定的迭代规则产生一个点列{ x^k} ，使得当{x^k } 是有穷点列时，其最后一个点是(NP)的最优解；当{ x^k} 是无穷点列时，它有极限点，并且其极限点是(NP)的最优解。
在这里插入图片描述

1.5 凸函数、凸规划

没看

2 无约束问题

2.1 一维搜索方法

	当用迭代法求函数的极小点时，常常用到一维搜索，即沿某一已知方向求目标函数的极小点。一维搜索的方法很多，常用的有：（1）试探法（“成功—失败”，斐波那契法，0.618 法等）；（2）插值法（抛物线插值法，三次插值法等）；（3）微积分中的求根法（切线法，二分法等）。

2.4 Matlab 求无约束极值问题

Matlab 工具箱中，用于求解无约束极值问题的函数有 fminunc 和 fminsearch，用法介绍如下。
求函数的极小值
min f (x) ,
x
其中 x 可以为标量或向量。
Matlab 中 fminunc 的基本命令是
[X,FVAL]=FMINUNC(FUN,X0,OPTIONS,P1,P2, …)
其中的返回值 X 是所求得的极小点，FVAL 是函数的极小值，其它返回值的含义参见相关的帮助。FUN 是一个 M 文件，当 FUN 只有一个返回值时，它的返回值是函数 f (x)；当 FUN 有两个返回值时，它的第二个返回值是 f (x)的梯度向量；当 FUN 有三个返回值时，它的第三个返回值是 f (x)的二阶导数阵（Hessian 阵）。X0 是向量 x 的初始值，OPTIONS 是优化参数，可以使用缺省参数。P1，P2 是可以传递给 FUN 的一些参数。
例 6 求函数 f (x) = 100(x2 − x1^2 ) ^2 + (1− x1 )^2 的最小值。
解：编写 M 文件 fun2.m 如下：
function [f,g]=fun2(x);
f=100*(x(2)-x(1)²⁾2+(1-x(1))^2;
g=[-400x(1)(x(2)-x(1)^{2)-2*(1-x(1));200*(x(2)-x(1)}2)];
编写主函数文件example6.m如下：
options = optimset(‘GradObj’,‘on’);
[x,y]=fminunc(‘fun2’,rand(1,2),options)
即可求得函数的极小值。
在求极值时，也可以利用二阶导数，编写 M 文件 fun3.m 如下：
function [f,df,d2f]=fun3(x);
f=100*(x(2)-x(1)²⁾2+(1-x(1))^2;
df=[-400x(1)(x(2)-x(1)^{2)-2*(1-x(1));200*(x(2)-x(1)}2)];
d2f=[-400x(2)+1200x(1)^2+2,-400x(1)
-400x(1),200];
编写主函数文件example62.m如下：
options = optimset(‘GradObj’,‘on’,‘Hessian’,‘on’);
[x,y]=fminunc(‘fun3’,rand(1,2),options)
即可求得函数的极小值。
解得：x =
1.0000 1.0000
y =
7.0417e-14

求多元函数的极值也可以使用 Matlab 的 fminsearch 命令，其使用格式为：
[X,FVAL,EXITFLAG,OUTPUT]＝FMINSEARCH(FUN,X0,OPTIONS,P1,P2,…)

例 7 求函数 f (x) = sin(x) + 3 取最小值时的 x 值。
解编写 f (x) 的 M 文件 fun4.m 如下：
function f=fun4(x);
f=sin(x)+3;
编写主函数文件example7.m如下：
x0=2;
[x,y]=fminsearch(@fun4,x0)
即求得在初值 2 附近的极小点及极小值。
解得：x =
4.7124
y =
2.0000

3 约束极值问题

3.1二次规划

	定义：若某非线性规划的目标函数为自变量 x 的二次函数，约束条件又全是线性的，就称这种规划为二次规划。

在这里插入图片描述
解编写如下程序：
h=[4,-4;-4,8];
f=[-6;-3];
a=[1,1;4,1];
b=[3;9];
[x,value]=quadprog(h,f,a,b,[],[],zeros(2,1))
求得
x= 1.9500
1.0500
Min f(x )= - 11.0250

3.2 罚函数法

	利用罚函数法，可将非线性规划问题的求解，转化为求解一系列无约束极值问题，因而也称这种方法为序列无约束最小化技术，简记为 SUMT (Sequential Unconstrained Minization Technique)。罚函数法求解非线性规划问题的思想是，利用问题中的约束函数作出适当的罚函数，由此构造出带参数的增广目标函数，把问题转化为无约束非线性规划问题。主要有两种形式，一种叫外罚函数法，另一种叫内罚函数法，下面介绍外罚函数法。

在这里插入图片描述

解 (i)编写 M 文件 test.m
function g=test(x);
M=50000;
f=x(1)^2+x(2)2+8;
g=f-Mmin(x(1),0)-Mmin(x(2),0)-Mmin(x(1)^{2-x(2),0)+M*abs(-x(1)-x(2)}2+2);
或者是利用Matlab的求矩阵的极小值和极大值函数编写test.m如下：
function g=test(x);
M=50000;
f=x(1)^2+x(2)2+8;
g=f-Msum(min([x’;zeros(1,2)]))-Mmin(x(1)^2-x(2),0)+ Mabs(-x(1)-x(2)^2+2);
我们也可以修改罚函数的定义，编写test.m如下：
function g=test(x);
M=50000;
f=x(1)^2+x(2)2+8;
g=f-Mmin(min(x),0)-Mmin(x(1)^{2-x(2),0)+M*(-x(1)-x(2)}2+2)^2;
(ii)在 Matlab 命令窗口输入
[x,y]=fminunc(‘test’,rand(2,1))
即可求得问题的解。
解得：x =
1.0000
0.9999
y =
10.0008
%解好像不唯一

3.3 Matlab 求约束极值问题

		Matlab 优化工具箱中，用于求解约束最优化问题的函数有：fminbnd、fmincon、quadprog、fseminf、fminimax，上面我们已经介绍了函数 fmincon 和 quadprog。

3.3.1 fminbnd 函数

求单变量非线性函数在区间上的极小值
min f( x) , x ∈[x1 , x2]
Matlab 的命令为
[X,FVAL] = FMINBND(FUN,x1,x2,OPTIONS)，
它的返回值是极小点 x 和函数的极小值。这里 fun 是用 M 文件定义的函数或 Matlab 中的单变量数学函数。
例 10 求函数 f( x) = ( x-3)^2 -1 x ∈[0 ,5] 的最小值。
解编写 M 文件 fun5.m
function f=fun5(x);
f=(x-3)^2-1;
在 Matlab 的命令窗口输入
[x,y]=fminbnd(‘fun5’,0,5)
即可求得极小点和极小值。

3.3.2 fseminf 函数

在这里插入图片描述
上述问题的 Matlab 命令格式为
X=FSEMINF(FUN,X0,NTHETA,SEMINFCON,A,B,Aeq,Beq)
其中 FUN 用于定义目标函数 F(x) ；X0 为 x 的初始值；NTHETA 是半无穷约束PHI(x,w)的个数；函数 SEMINFCON 用于定义非线性不等式约束C(x) ，非线性等式约束Ceq(x) 和半无穷约束 PHI(x,w)的每一个分量函数，函数 SEMINFCON 有两个输入参量 X 和 S，S 是推荐的取样步长，也许不被使用。
在这里插入图片描述
解（1）编写 M 文件 fun6.m 定义目标函数如下：
function f=fun6(x,s);
f=sum((x-0.5).^2);
（2）编写 M 文件 fun7.m 定义约束条件如下：
function [c,ceq,k1,k2,s]=fun7(x,s);
c=[];ceq=[];
if isnan(s(1,1))
s=[0.2,0;0.2 0];
end
%取样值
w1=1:s(1,1):100;
w2=1:s(2,1):100;
%半无穷约束
k1=sin(w1x(1)).cos(w1x(2))-1/1000(w1-50).^2-sin(w1x(3))-x(3)-1;
k2=sin(w2x(2)).cos(w2x(1))-1/1000*(w2-50).^2-sin(w2*x(3))-x(3)-1;
%画出半无穷约束的图形
plot(w1,k1,’-’,w2,k2,’+’);
（3）调用函数 fseminf
在 Matlab 的命令窗口输入
[x,y]=fseminf(@fun6,rand(3,1),2,@fun7)
即可。

3.3.3 fminimax 函数

在这里插入图片描述
上述问题的 Matlab 命令为
X=FMINIMAX(FUN,X0,A,B,Aeq,Beq,LB,UB,NONLCON)

解（1）编写 M 文件 fun8.m 定义向量函数如下：
function f=fun8(x);
f=[2x(1)^2+x(2)2-48x(1)-40x(2)+304
-x(1)^2-3*x(2)2
x(1)+3x(2)-18
-x(1)-x(2)
x(1)+x(2)-8];
（2）调用函数 fminimax
[x,y]=fminimax(@fun8,rand(2,1))
解得：x =
4.0000
4.0000
y =
0.0000
-64.0000
-2.0000
-8.0000
-0.0000

4 飞行管理问题

	在约 10，000m 高空的某边长 160km 的正方形区域内，经常有若干架飞机作水平飞行。区域内每架飞机的位置和速度向量均由计算机记录其数据，以便进行飞行管理。当一架欲进入该区域的飞机到达区域边缘时，记录其数据后，要立即计算并判断是否会与区域内的飞机发生碰撞。如果会碰撞，则应计算如何调整各架（包括新进入的）飞机飞行的方向角，以避免碰撞。现假定条件如下：

1）不碰撞的标准为任意两架飞机的距离大于 8km;
2）飞机飞行方向角调整的幅度不应超过 30 度；
3）所有飞机飞行速度均为每小时 800km;
4）进入该区域的飞机在到达区域边缘时，与区域内飞机的距离应在 60km 以上；
5）最多需考虑 6 架飞机；
6）不必考虑飞机离开此区域后的状况。
请你对这个避免碰撞的飞行管理问题建立数学模型，列出计算步骤，对以下数据进行计算（方向角误差不超过 0.01 度），要求飞机飞行方向角调整的幅度尽量小。设该区域 4 个顶点的座标为(0,0)，(160,0)，(160,160)，(0,160)。记录数据见表 1。
在这里插入图片描述
注：方向角指飞行方向与 x 轴正向的夹角。
为方便以后的讨论，我们引进如下记号：
D 为飞行管理区域的边长；
Ω 为飞行管理区域，取直角坐标系使其为[0, D]×[0, D]； a 为飞机飞行速度， a = 800 km/h； ( (x_i)^0 ,(y_i)^0 ) 为第i 架飞机的初始位置；
(x _i(t), y_i(t)) 为第i 架飞机在t 时刻的位置；
(θ_i)^0为第i 架飞机的原飞行方向角，即飞行方向与 x 轴夹角， 0 ≤ Δθ i < 2π； Δθ i 为第i 架飞机的方向角调整，
-π/6 ≤ Δ θi ≤ π/6； θ_i = (θ_i)^0 + Δθ_i 为第i 架飞机调整后的飞行方向角。
在这里插入图片描述

本问题中的优化目标函数可以有不同的形式：如使所有飞机的最大调整量最小；
所有飞机的调整量绝对值之和最小等。这里以所有飞机的调整量绝对值之和最小为目标
函数，可以得到如下的数学规划模型：
在这里插入图片描述
利用如下的程序：
clc,clear
x0=[150 85 150 145 130 0];
y0=[140 85 155 50 150 0];
q=[243 236 220.5 159 230 52];
xy0=[x0; y0];
d0=dist(xy0); %求矩阵各个列向量之间的距离
d0(find(d0==0))=inf;
a0=asind(8./d0) %以度为单位的反函数
xy1=x0+iy0
xy2=exp(iqpi/180)
for m=1:6
for n=1:6
if n~=m
b0(m,n)=angle((xy2(n)-xy2(m))/(xy1(m)-xy1(n)));
end
end
end
b0=b0180/pi;
dlmwrite(‘txt1.txt’,a0,‘delimiter’, ‘\t’,‘newline’,‘PC’);
fid=fopen(‘txt1.txt’,‘a’);
fwrite(fid,’~’,‘char’); %往纯文本文件中写 LINGO 数据的分割符
dlmwrite(‘txt1.txt’,b0,‘delimiter’, ‘\t’,‘newline’,‘PC’,’-append’,‘roffset’, 1)

运行结果：
a0 =

     0    5.3912   32.2310    5.0918   20.9634    2.2345
5.3912         0    4.8040    6.6135    5.8079    3.8159

32.2310 4.8040 0 4.3647 22.8337 2.1255
5.0918 6.6135 4.3647 0 4.5377 2.9898
20.9634 5.8079 22.8337 4.5377 0 2.3098
2.2345 3.8159 2.1255 2.9898 2.3098 0

xy1 =

1.0e+02 *

1 至 3 列

1.5000 + 1.4000i 0.8500 + 0.8500i 1.5000 + 1.5500i

4 至 6 列

1.4500 + 0.5000i 1.3000 + 1.5000i 0.0000 + 0.0000i

xy2 =

1 至 3 列

-0.4540 - 0.8910i -0.5592 - 0.8290i -0.7604 - 0.6494i

4 至 6 列

-0.9336 + 0.3584i -0.6428 - 0.7660i 0.6157 + 0.7880i

上述飞行管理的数学规划模型可如下输入 LINGO 求解：
model:
sets:
plane/1…6/:delta;
link(plane,plane):alpha,beta;
endsets
data:
alpha=@file(‘txt1.txt’); !需要在alpha的数据后面加上分隔符"~";
beta=@file(‘txt1.txt’);
enddata
min=@sum(plane:@abs(delta));
@for(plane:@bnd(-30,delta,30));
@for(link(i,j)|i#ne#j:@abs(beta(i,j)+0.5delta(i)+0.5delta(j))>a
lpha(i,j));
end
求得的最优解为 Δθ3 = 2.83858^o ， Δθ 6 = 0.7908 ^o，其它调整角度为 0。

qq_48437297

关注

3
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
第三章非线性规划

**@第三章非线性规划1 非线性规划1.1 非线性规划的实例与定义例1（投资决策问题）某企业有 n 个项目可供选择投资，并且至少要对其中一个项目投资。已知该企业拥有总资金 A 元，投资于第i(i = 1,L,n) 个项目需花资金ai 元，并预计可收益bi 元。试选择最佳投资方案。解设投资决策变量为最佳投资方案应是投资额最小而总收益最大的方案，所以这个最佳投资决策问题归结为总资金以及决策变量（取 0 或 1）的限制条件下，极大化总收益和总投资之比。因此，其数学模型为：上面例题是在一
复制链接

扫一扫