杭州紫金港培训学校(紫金港专升本)杭州紫金港培训学校(紫金港专升本)
同等学力申硕机械工程学科综合考前辅导第三章 现代设计方法第 15 节 / 共 32 节约 30 分钟报名学员看全文

现代设计方法(二):最优化设计的数学模型与极值条件

对应第三章第二节一:最优化设计数学模型的一般形式、设计变量与设计空间、约束与可行域、目标函数与等值线、图解法;下降迭代的格式;梯度与泰勒展开、无约束、等式约束和不等式约束问题的极值条件;三种收敛准则。

本节考点:最优化设计的数学模型多元函数的极值条件下降迭代解法收敛准则

本节导读

这一节对应大纲第三章第二节「最优化设计」的第一条「最优化设计概论」,下设两点:最优化设计的数学模型、最优化问题的下降迭代解法(含多元函数的极值条件、算法的收敛性与收敛准则)。具体的搜索方法放在第 16 节。

学完要做到:把一个设计问题写成标准的数学模型;算梯度和海塞矩阵,判断无约束极值点;用拉格朗日乘子法解等式约束问题;用库恩—塔克条件检验不等式约束的最优点;说出三种收敛准则。

本节记号:设计变量 X=(x1,…,xn)TX=(x_1,\ldots,x_n)^{\mathrm T}X=(x1​,…,xn​)T;目标函数 f(X)f(X)f(X);不等式约束 gu(X)≤0g_u(X)\le 0gu​(X)≤0,等式约束 hv(X)=0h_v(X)=0hv​(X)=0;梯度 ∇f\nabla f∇f,海塞矩阵 HHH;迭代序号写成上标 (k)(k)(k),步长因子 α\alphaα,搜索方向 SSS;乘子 λ\lambdaλ(等式)、μ\muμ(不等式)。

最优化设计的数学模型

数学模型的一般形式

min⁡f(X),X∈Rns.t. gu(X)≤0 (u=1,…,m)hv(X)=0 (v=1,…,p)\begin{aligned} &\min f(X),\quad X\in\mathbb{R}^{n} \\ &\text{s.t.}\ g_u(X)\le 0\ (u=1,\ldots,m) \\ h_v(X)&=0\ (v=1,\ldots,p) \end{aligned}hv​(X)​minf(X),X∈Rns.t. gu​(X)≤0 (u=1,…,m)=0 (v=1,…,p)​

求最大值时取 min⁡[−f(X)]\min[-f(X)]min[−f(X)];「大于等于」型约束两边乘 −1-1−1 化成上面的形式。

设计变量与设计空间

在设计中要优选的独立参数叫设计变量(如齿轮的模数、齿数、齿宽系数),其余由设计要求或标准确定的叫设计常量。nnn 个设计变量张成 nnn 维设计空间,一个设计方案就是空间里的一个点。变量越多,设计自由度越大,求解也越难。

约束条件与可行域

约束分边界约束(直接限制变量范围,如 x1≥2x_1\ge 2x1​≥2)和性能约束(由强度、刚度、稳定性等推出)。满足全部约束的点构成可行域,可行域里的点叫可行点(可行设计)。

目标函数与等值线

目标函数是评价设计好坏的指标(重量最轻、成本最低、效率最高……)。二维时,令 f(X)=cf(X)=cf(X)=c 得到的曲线叫等值线;等值线的疏密反映函数变化的快慢,等值线收缩的中心就是极值点。

最优化问题的图解法

只有两个设计变量时,在平面上画出约束边界确定可行域,再画目标函数的等值线,沿函数下降方向平移,与可行域最后接触的点就是最优点。图解法直观,能帮助理解约束最优点常落在约束边界上,但只适用于二维问题。

最优化问题的下降迭代解法

下降迭代解法的迭代格式

X(k+1)=X(k)+α(k)S(k)X^{(k+1)}=X^{(k)}+\alpha^{(k)}S^{(k)}X(k+1)=X(k)+α(k)S(k)

从初始点出发,每一步先确定搜索方向 S(k)S^{(k)}S(k),再沿该方向确定步长 α(k)\alpha^{(k)}α(k),使 f(X(k+1))<f(X(k))f(X^{(k+1)})\lt f(X^{(k)})f(X(k+1))<f(X(k)),逐步逼近最优点。各种算法的区别主要在于搜索方向怎么取。

多元函数的极值条件

梯度和泰勒展开:梯度 ∇f=(∂f∂x1,…,∂f∂xn)T\nabla f=\left(\dfrac{\partial f}{\partial x_1},\ldots,\dfrac{\partial f}{\partial x_n}\right)^{\mathrm T}∇f=(∂x1​∂f​,…,∂xn​∂f​)T 指向函数值增加最快的方向,负梯度方向是下降最快的方向,梯度与等值线垂直。在 X(k)X^{(k)}X(k) 附近的二阶泰勒展开:

f(X)≈f(X(k))+∇fTΔX+12ΔXTH ΔX\begin{aligned} f(X)&\approx f(X^{(k)})+\nabla f^{\mathrm T}\Delta X \\ &\quad+\frac12\Delta X^{\mathrm T}H\,\Delta X \end{aligned}f(X)​≈f(X(k))+∇fTΔX+21​ΔXTHΔX​

无约束问题的极值条件:必要条件 ∇f(X∗)=0\nabla f(X^{*})=0∇f(X∗)=0(驻点);充分条件再加上 H(X∗)H(X^{*})H(X∗) 正定(各阶顺序主子式全为正)则为极小点,负定为极大点,不定则为鞍点。

等式约束问题的极值条件:构造拉格朗日函数 L=f(X)+∑λvhv(X)L=f(X)+\sum\lambda_vh_v(X)L=f(X)+∑λv​hv​(X),令它对 XXX 和 λ\lambdaλ 的偏导数都为零,联立求解。

不等式约束问题的极值条件:库恩—塔克(K-T)条件。在最优点 X∗X^{*}X∗,设起作用的约束(gu=0g_u=0gu​=0 的那些)构成集合 JJJ,则

−∇f(X∗)=∑u∈Jμu∇gu(X∗),μu≥0-\nabla f(X^{*})=\sum_{u\in J}\mu_u\nabla g_u(X^{*}),\quad \mu_u\ge 0−∇f(X∗)=u∈J∑​μu​∇gu​(X∗),μu​≥0

本节后面还有约 1704 字:报名学员看全文

每门课前 10 节免费看全文;从第 11 节起,完整教程要报名后由顾问在后台为你的账号开通才能看。

题库账号可以直接登录,但第 11 节起的完整教程要报名后由后台开通才能看。

学完练一练

按本节考点从本课的课后练习里抽题(每次 10 道以内),做完看解析、错题自动进错题本。第 11 节起的课后练习报名学员才能练。

本节内容由 AI 辅助编写,配图由 AI 生成,仅供备考参考;考试要求以《全国各类成人高等学校招生考试大纲(2024 年版)》及浙江省教育考试院当年公布为准。

我要提问免费报名咨询