1、二 DRn:设f : D Rn R.若x: Rn,对于一切Rn恒有f(x”)f(x),则称x为 D二Rn R.若x” D,存在X”的某邻域N (x ),使得对一切xN (x )恒有f(x”): f (x),则称x”为最优化问题优解给定一个最优化问题,那么它的最优值是一个定值 V非空集合D Rn为凸集当且仅当D中任意两点连线段上任一点属于 D. V非空集合D Rn为凸集当且仅当D中任意有限个点的凸组合仍属于 D. V任意两个凸集的并集为凸集.函数f:D Rn R为凸集D上的凸函数当且仅当 -f为D上的凹函数. V R为凸集D上的可微凸函数,X: D .则对D ,有 f(X)- f(x )乞 I
2、f (x )T(x -x ).若c(x)是凹函数,则 D二xRn c(x)0是凸集。 V则对k0,1,2,i 恒有 f(xk乞 f (xk) .算法迭代时的终止准则(写出三种)14凸规划的全体极小点组成的集合是凸集。15函数f : R在点xk沿着迭代方向dk Rn C进行精确一维线搜索的步长:k,则其搜索公式为16 R在点xk沿着迭代方向d Rn 0进行精确一维线搜索的-k,则 i f (x -.d ) d = 0 .17设dk Rn 0为点xk D Rn处关于区域D的一个下降方向,则对于k k_ 0,二* 三(0, 丁)使得 x hid - D. 、简述题写出Wolfe-Powell非精确一
3、维线性搜索的公式。怎样判断一个函数是否为凸函数.(例如:判断函数f (x) 2X1X2 2x; -10X1 5X2是否为凸函数)三、证明题证明一个优化问题是否为凸规划.(例如1T tmin f (x) x Gx c x b判断s.t. Ax =b (其中G是正定矩阵)是凸规划x _02熟练掌握凸规划的性质及其证明.第二章线性规划考虑线性规划问题:(LP) min cTxs.t. Ax = b, x _0,其中,Rn, A Rm n, b Rm为给定的数据,且ran kA = m, m空n.一、 判断与选择题1(LP)的基解个数是有限的. V2若(LP)有最优解,则它一定有基可行解为最优解. V
4、3 (LP)的解集是凸的.V4对于标准型的(LP),设乂“由单纯形算法产生,则对 匕0,1,2,有T k T k 1 、/c x c x . x* * t * T *5若x为(LP)的最优解,y为(DP)的可行解,则c x _b y . V6设x。是线性规划(LP)对应的基B = (R,,Pm)的基可行解,与基变量为,xm对应的规范式中,若存在 二k ”:0,则线性规划(LP)没有最优解。X7求解线性规划(LP)的初始基可行解的方法: 8对于线性规划(LP),每次迭代都会使目标函数值下降.X1将以下线性规划问题化为标准型:max f(x) -2x2 3x3s.t.捲 x2 x3 _ 6,2x2
5、 4x3 亠 12,xi - x2 * X3 一 2,X2 _ 0, X3 _ 0.2写出以下线性规划的对偶线性规划:max f(x) =3为 2x2 x3 4x4s.t. 2x4x2 3x3 x4 =6, -2x4x2 3x3 x4 _ 3,Xi, X2, X3, X4 0.三、计算题M法及二阶段法). 见书本:例 2.5.1例 2.6.1例 2.6.2熟练掌握利用单纯形表求解线性规划问题的方法(包括大(利用单纯形表求解);(利用大M法求解); (利用二阶段法求解).四、证明题熟练掌握对偶理论(弱对偶理论、强对偶理论以及互补松弛条件)及利用 对偶理论证明相关结论。、判断与选择题设G Rn n
6、为正定矩阵,则关于G共轭的任意n - 1向量必线性相关.V 在牛顿法中,每次的迭代方向都是下降方向 X 经典Newton法在相继两次迭代中的迭代方向是正交的.XPRP共轭梯度法与BFGS算法都属于Broyden族拟Newton算法.X用DFP算法求解正定二次函数的无约束极小化问题,则算法中产生的迭 代方向一定线性无关 VFR共轭梯度法、PRP共轭梯度法、DFP算法、及BFGS算法均具有二次 收敛性.X共轭梯度法、共轭方向法、DFP算法以及BFGS算法都具有二次终止性.VRn R在xk处的最速下降方向为 求解minf (x)的经典Newton法在xk处的迭代方向为pk =若f(x)在X*的邻域内
7、具有一阶连续的偏导数且f(x*) = 0,则X*为的局部极小点 X若f(x)在x*的某邻域内具有二阶连续的偏导数且 x*为f (x)的严格局部xk处的迭代方向为Pk二极小点,贝U G* =0:f(x*)正定.X求解mjn f (x)的最速下降法在求解min f (x)的阻尼Newton法在xk处的迭代方向为pk =可达其极小点 X牛顿法具有二阶收敛性 V二次函数的共轭方向法具有二次终止性.X 共轭梯度法的迭代方向为:14二、证明题1设f:RnR为一阶连续可微的凸函数,x”. Rn且i f(x”)=O,贝U x为(dk)TGdk讥 0, :)为由精确一维搜索所的步长,则:k试证:Newton法求
8、解正定二次函数时至多一次迭代可达其极小点1简述牛顿法或者阻尼牛顿法的优缺点.2简述共轭梯度法的基本思想.五、计算题1利用最优性条件求解无约束最优化问题3 1例如:求解 min f(x) x: x; -x -2论222用FR共轭梯度法无约束最优化问题.见书本:例341.3用PRP共轭梯度法无约束最优化问题.例3.4.1.31min f (x) xj xf - x1 x2 -2x1 其中 x0 二(0,0)T, ; = 0.012 2考虑约束最优化问题:(NLP) min f (x)s.t. G (x) = 0, i E = i1, 2, , l ;C(x) _0, i I I 1, l 2, ,
9、 ml其中,f, q (i = 1, 2, , m): Rn R.-、判断与选择题1外罚函数法、内罚函数法、及乘子法均属于 SUMT. X2使用外罚函数法和内罚函数法求解(NLP )时,得到的近似最优解往往 不是(NLP )的可行解.X3在求解(NLP )的外罚函数法中,所解无约束问题的目标函数 为 .4在(NLP)中l =0,则在求解该问题的内罚函数法中,常使用的罚函数为 .5在(NLP )中l = 0,贝U在求解该问题的乘子法中,乘子的迭代公式为(k 1)i = ,对 i 1, ,m6在(NLP)中m = l,则在求解该问题的乘子法中,增广的 Lagrange函数 为:7对于(NLP)的K
10、T条件为:计算题2用外罚函数法求解约束最优化问题 见书本:例421;例 422.3用内罚函数法求解约束最优化问题例423.4用乘子法求解约束最优化问题.例4.2.7;例 4.2.8.三、简述题1简述SUMT外点法的优缺点2简述SUMT内点法的优缺点利用最优性条件证明相关问题.Q设为正定矩阵,A为列满秩矩阵.试求规划(P) min f (x) = 1 x Qx c x as.t. A x 二 b的最优解,并证明解是唯一的1求解多目标最优化问题的评价函数法包 括 .2通过使用评价函数,多目标最优化问题能够转化为单目标最优化问题 .V3设F : D 乂 Rn Rm,则F在D上的一般多目标最优化问题的
11、数学形式使得F (x) _ F (x )且F (x)严F (x ),则x为该最优化冋题的有效解.V一般多目标最优化问题的绝对最优解必是有效解. Vfi (i =1,2,m)的权系数,则求解以上问题的线性加权和法中所求解优化的目标函数为 .F(X)= (fjx),你&)丁的线性加权和法所得到的解,或者为原问题的有效解,或者为原问题的弱有效解 V、简述题1简单证明题 绝对最优解、有效解、及弱有效解之间的关系 .第 5.2 节中几个主要结论的证明 .2 简单叙述题 简述求解一般多目标规划的评价函数法的基本思想 . 简述求解一般多目标规划的线性加权和法的基本思想 . 简述求解一般多目标规划的理想点法的基本思想 . 简述在求解一般多目标规划的评价函数法中,确定权系数方法的 基本思想 .
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1