优化问题 :eg:,其中x在控制问题中被称为为控制决策变量;在数学优化中叫做决策量。无论是最优控制还是数学优化(数学规划)都是优化问题,即都是
这样的形式。
1. 优化的两个基本问题
- 确定一个优化的必要或/和充分的条件(建模)。
- 设计一个数值程序(算法的设计+程序的实现)。
遗传算法在弱优化或无约束优化问题中应用较好。
2. 优化的相关概念
静态 vs 动态 数学优化最优控制;
连续 vs 离散 数学优化的离散与连续问题控制问题的连续与离散问题;
凸 vs 非凸 既可能与目标有关,又可能与约束有关;
完美 vs 满意 结果的完美解与满意解;
严格 vs 启发 方法在数学上是否严格收敛到最优与否。
2.1 静态优化(参数优化、数学规划等方法)
- 对变量进行优化;
- 约束条件与目标为代数方程或不等式。
2.2 动态优化(变分问题、最优控制)
- 对函数进行优化(例如最优决策路径)(函数未知)
- 目标为积分型泛函;
- 约束条件包含微分方程。
2.3 连续优化与离散优化
- 可行域(决策空间)
- 0-1规划
- 整数规划
- 时间序列
- 离散时间的动态规划——差分描述
- 连续时间的动态规划——微分描述
2.4 确定性优化与随机优化
- DP 动态优化 确定性;
- MDP Markov决策过程 随机性
2.5 凸与非凸
- 凸集;
- 凸函数
2.6 启发与随机化搜索
- 启发式+随机化=高级启发或超级启发(遗传算法、模拟退火算法、蚁群算法);
2.7 完美解与满意解
- 一般需要对满意解进行评价
3 优化方法
迭代 vs 解析 计算机喜爱迭代方法,并且这种方法效率高;
串行 vs 并行
求导 vs 搜索
点对点 vs 集到集
解析 vs 启发
注:结构知识绝对重要,搜索方法应当在结构信息的指导下进行搜索。启发、学习、人的才智以及软优化在求解方法中占有重要地位。
一些常用的迭代方法
- 梯度法(利用了梯度结构信息)
- 牛顿法(利用了梯度+Hessen矩阵等结构信息)
- BFGS (共轭梯度结构信息)