漫步最优化五——可行域
我不介意你慢慢的到来,\textbf{我不介意你慢慢的到来,}
我也不介意我们多少次擦肩而过,\textbf{我也不介意我们多少次擦肩而过,}
因为我一直相信我们都在相遇的路上马不停蹄。\textbf{因为我一直相信我们都在相遇的路上马不停蹄。}
——畅宝宝的傻逼哥哥\qquad\qquad\qquad\qquad\quad\textbf{——畅宝宝的傻逼哥哥}
任何满足等式以及不等式约束的点 x\textbf{x}称为优化问题的可行点,满足约束条件的点集构成了 f(x)f(\textbf{x})的可行定义域,显然,约束定义了一个 EnE^n的子集,因此可行域可以定义为:
R=\{\textbf{x}:a_i(\textbf{x})=0\ for\ i=1,2,\ldots,p\ and\ c_j(\textbf{x})\geq 0\ for\ j=1,2,\ldots,q\}
其中R⊂EnR\subset E^n
最优点x∗\textbf{x}^*必须位于可行域中,因此一般的约束优化问题可以写成:
minimize\ f(\textbf{x})\quad for\ \textbf{x}\in R
任何不在RR中的点x\textbf{x}称为不可行点。
如果优化问题的约束都是不等式,那么约束将EnE^n空间中的点分成三种类型,如下所示:
- 内点
- 边界点
- 外点
内点就是对所有j,cj(x)>0j,c_j(\textbf{x})>0的点,边界点就是至少有一个cj(x)=0c_j(\textbf{x})=0的点,外点就是至少有一个cj(x)<0c_j(\textbf{x})的点。内点是可行点,边界点可能是也可能不是可行点,而外点是不可行点。
如果约束cm(x)c_m(\textbf{x})在某次迭代中等于零,那么我们能说这个约束是活跃的,如果达到收敛条件,cm(x∗)c_m(\textbf{x}^*)等于零,那么最优点x∗\textbf{x}^*在边界上。对于这样的情况,我们称最优点是有约束的,如果约束都是等式,那么可行点一定位于ai(x)=0a_i(\textbf{x})=0超平面的交集上,其中i=1,2,…,pi=1,2,\ldots,p,下面用例子说明上面的定义与概念。
例1:\textbf{例1:}用作图法,求解下面的优化问题:
\begin{align*} minimize\ &f(\textbf{x})=x_1^2+x_2^2-4x_1+4\\ subject\ to:\ &c_1(\textbf{x})=x_1-2x_2+6\geq 0\\ &c_2(\textbf{x})=-x_1^2+x_2-1\geq 0\\ &c_3(\textbf{x})=x_1\geq 0\\ &c_4(\textbf{x})=x_2\geq 0 \end{align*}
解:\textbf{解:}目标函数可以写成:
(x_1-2)^2+x_2^2=f(\textbf{x})
因此f(x)f(\textbf{x})在(x1,x2)(x_1,x_2)平面上的轮廓为圆心x1=2,x2=0x_1=2,x_2=0,半径f(x)‾‾‾‾√\sqrt{f(\textbf{x})}的同心圆,约束c1(x),c2(x)c_1(\textbf{x}),c_2(\textbf{x})表明
x_2\leq\frac{1}{2}x_1+3
且
x_2\geq x_1^2+1
而约束c3(x),c4(x)c_3(\textbf{x}),c_4(\textbf{x})表明x1,x2x_1,x_2为正,f(x)f(\textbf{x})的轮廓与约束边界如图1所示。
图1中的可行域就是阴影部分,问题的解位于点AA处,在约束c2(x)c_2(\textbf{x})的边界上。实际上,这个解是约束最优点,所以如果这个问题用数学规划求解,当达到问题的解时,约束c2(x)c_2(\textbf{x})将是活跃的。
图1
在没有约束的情况下,f(x)f(\textbf{x})的最小值发生在点BB处。
例2:\textbf{例2:}用作图法求解下面的优化问题:
\begin{align*} minimize\ f(\textbf{x})=x_1^2+x_2^2+2x_2\\ subject\ to:\ a_1(\textbf{x})=x_1^2+x_2^2-1=0\\ c_1(\textbf{x})=x_1+x_2-0.5\geq 0\\ c_2(\textbf{x})=x_1\geq 0\\ c_3(\textbf{x})=x_2\geq 0 \end{align*}
解:\textbf{解:}目标函数可以写成:
x_1^2+(x_2+1)^2=f(\textbf{x})+1
因此f(x)f(\textbf{x})在(x1,x2)(x_1,x_2)平面上的轮廓为圆心x1=0,x2=−1x_1=0,x_2=-1,半径f(x)+1‾‾‾‾‾‾‾‾√\sqrt{f(\textbf{x})+1}的同心圆,约束a1(x)a_1(\textbf{x})是圆心在原点半径为1的圆。另一方 main,约束c1(x)c_1(\textbf{x})是一条直线,因为它要求
x_2\geq -x_1+0.5
最后两个约束表面x1,x2x_1,x_2是负的,因此得到的图像如图2所示。
图2
这时候,可行域在 a1(x)=0a_1(\textbf{x})=0第一象限的弧上,满足约束的最优解在点 AA处,这个例子中有两个活跃的约束,a1(x),c3(x)a_1(\textbf{x}),c_3(\textbf{x})。
没有约束的情况下,解在点BB处。
在上面的实例中,构成可行域的点集合如图3(a)所示是在一起的,但有时候可行域由两个或多个不联通的部分组成,如图3(b)所示。如果是后者,那么会产生下面的困难。一般而言优化过程都是从初始估计值开始,然后不断迭代产生一系列值,那么如果可行域由两部分组成,A,BA,B,如果初始值位于AA中,那么最优解就会落到AA中,那么就可能错过B<script type="math/tex" id="MathJax-Element-6786">B</script>中更好的解。然而幸运的是,实际生活中的大部分问题,通过仔细的表示问题,是可以避免这个困难的。
图3
漫步最优化五——可行域相关推荐
- 漫步最优化四十五——矩阵S的生成
想赖着你每一天,\textbf{想赖着你每一天,} 耽误多一秒都不愿意.\textbf{耽误多一秒都不愿意.} 想把你捧在手心,\textbf{想把你捧在手心,} 给你我最奢侈的温柔.\textbf{ ...
- 漫步最优化三十五——共轭
我对你的喜欢像玻璃,\textbf{我对你的喜欢像玻璃,} 透明的能被你看穿.\textbf{透明的能被你看穿.} 我对你的思念像影子,\textbf{我对你的思念像影子,} 傍晚时分就被拉长.\te ...
- 漫步最优化二十五——斐波那契搜索
白天与黑夜,\textbf{白天与黑夜,} 希望陪你共同走过.\textbf{希望陪你共同走过.} 整夜的美梦,\textbf{整夜的美梦,} 希望抱你一起回味.\textbf{希望抱你一起回味.} ...
- 漫步最优化十五——凸函数优化
你在穿山越岭的另一边,\textbf{你在穿山越岭的另一边,} 而我也在没有尽头的孤独路上前行.\textbf{而我也在没有尽头的孤独路上前行.} 试着体会错误,试着忍住眼泪,\textbf{试着体会 ...
- 漫步最优化十三——驻点
从遇见你的那刻起,\textbf{从遇见你的那刻起,} 我的世界开始改变.\textbf{我的世界开始改变.} 从听到你的那句话,\textbf{从听到你的那句话,} 我的信心开始萌芽.\textbf ...
- 漫步最优化四十二——Partan法
漆黑的冷空中有你,\textbf{漆黑的冷空中有你,} 惺忪的眼睛中有你,\textbf{惺忪的眼睛中有你,} 心底的记忆中有你,\textbf{心底的记忆中有你,} 你留在我的脑海中,\textbf ...
- 漫步最优化二十三——一维优化
你的每一句话,回荡在耳边:\textbf{你的每一句话,回荡在耳边:} 你闪动的双眼,徘徊在脑海.\textbf{你闪动的双眼,徘徊在脑海.} 好像告诉你,\textbf{好像告诉你,} 天天在想你. ...
- 漫步最优化十二——局部极小与极大的充分必要条件(下)
我心里有个小小的愿望,\textbf{我心里有个小小的愿望,} 就是在接下来漫长的路途中,\textbf{就是在接下来漫长的路途中,} 把我们爱的点点滴滴装进行囊.\textbf{把我们爱的点点滴滴装 ...
- 漫步最优化十——极值类型
深夜里,你不断徘徊在我的心田,\textbf{深夜里,你不断徘徊在我的心田,} 你的每一句誓言都在耳边回荡,\textbf{你的每一句誓言都在耳边回荡,} 你闪动的双眼隐藏着你的羞涩.\textbf{ ...
最新文章
- 升级 | Fastjson 1.2.68 发布,支持 GEOJSON
- linux下tomcat安装
- java 协程_你真的了解kotlin的协程么?
- 不属于计算机常用软件日常应用的是,综合技能实践+计算机常用应用软件的安装和使用指导 (1)...
- 庄闲分析软件安卓版_关于公布湖南省2020年第七批软件产品评估结果的通知
- 20+移动端硬件,Int8极速推理,端侧推理引擎Paddle Lite 2.0 正式发布
- Matlab编写一个脚本计算e,Matlab编程基础I脚本.PPT
- Java仓储物流项目_基于jsp的物流仓库管理系统-JavaEE实现物流仓库管理系统 - java项目源码...
- 用proteus进行一位全加器/减法器的设计与验证
- IDEA更改maven镜像源
- matlab中几种取整函数的用法(fix, floor, ceil, round)
- (固态)产品的质量和可靠性标准全系列(JEDEC+ASTM) - 最齐全、最完整及最新版
- HDU6287 口算训练(唯一分解定理+二分)
- 《管理学》第五章 组织
- 什么是CODECO 报文?
- PTA习题4-11 兔子繁衍问题 (15 分)-好容易入坑
- 关于flask入门教程-ajax+echarts实现关系图
- 【C++】win 10:VC 6.0 中文版下载、安装、使用
- 2022年YouTube营销:5个推荐的数据分析工具
- TW8836 SPIOSD功能