内点法python_内点法

文字理解

内点法属于约束优化算法。约束优化算法的基本思想是：通过引入效用函数的方法将约束优化问题转换成无约束问题，再利用优化迭代过程不断地更新效用函数，以使得算法收敛。

内点法(罚函数法的一种)的主要思想是：在可行域的边界筑起一道很高的“围墙”，当迭代点靠近边界时，目标函数徒然增大，以示惩罚，阻止迭代点穿越边界，这样就可以将最优解“档”在可行域之内了。

数学定义

对于下面的不等式约束的优化问题：

\[\min f(x), x \in R^n

\]

\[s.t \quad g_{i}(x) \leq0, i=1,2,...,m

\]

利用内点法进行求解时，构造惩罚函数的一般表达式为

\[\varphi (X, r)=f(X)-r\sum_{i=1}^{m}\frac{1}{g_{i}(X)}

\]

或者

\[\varphi (X, r)=f(X)-r\sum_{i=1}^{m}{\ln[-g_{i}(X)]}

\]

算法步骤

取初始惩罚因子\(r^{(0)}>0\)，允许误差\(\epsilon>0\)；

在可行域\(D\)内选取初始点\(X^{(0)}\)，令\(k=1\)；

构造惩罚函数\(\varphi (X, r^{(k)})\)，从\(X^{(k-1)}\)点出发用无约束优化方法求惩罚函数\(\varphi (X, r^{(k)})\)的极值点\((X^{*}, r^{(k)})\)；

检查迭代终止准则：如果满足$$|X^{} r^{(k)}-X^