多维无约束优化算法.docx

多维无约束优化算法
多维无约束优化问题的一般数学表达式为：
求n维设计变量

使目标函数

多维无约束优化算法就是求解这类问题的方法，它是优化技术中最重要最基础的内容之一。因为它不仅可以直接用来求解无约束优化问题，而且实际工程设计问题中的大量约束优化问题，有时也是通过对约束条件的适当处理，转化为无约束优化问题来求解的。所以，无约束优化方法在工程优化设计中有着十分重要的作用。
目前已研究出很多种无约束优化方法，它们的主要不同点在于构造搜索方向上的差别。
（1）间接法——要使用导数，如梯度法、（阻尼）牛顿法、变尺度法、共轭梯度法等。
（2）直接法——不使用导数信息，如坐标轮换法、鲍威尔法单纯形法等。用直接法寻找极小点时，不必求函数的导数，只要计算目标函数值。这类方法较适用于解决变量个数较少的（n ≤20）问题，一般情况下比间接法效率低。间接法除要计算目标函数值外，还要计算目标函数的梯度，有的还要计算其海赛矩阵。

各种优化方法之间的主要差异是在于构造的搜索方向，因此，搜索方向的构成问题乃是无约束优化方法的关键。
下面介绍几种经典的无约束优化方法。
1、梯度法
基本思想：函数的负梯度方向是函数值在该点下降最快的方向。将n维问题转化为一系列沿负梯度方向用一维搜索方法寻优的问题，利用负梯度作为搜索方向，故称最速下降法或梯度法。
搜索方向s取该点的负梯度方向 (最速下降方向) ，使函数值在该点附近的范围内下降最快 。

为了使目标函数值沿搜索方向能够获得最大的下降值，其步长因子应取一维搜索的最佳步长。即有

根据一元函数极值的必要条件和多元复合函数求导公式，得

在最速下降法中，相邻两个迭代点上的函数梯度相互垂直。而搜索方向就是负梯度方向，因此相邻两个搜索方向互相垂直。这就是说在迭代点向函数极小点靠近的过程，走的是曲折的路线。形成“之”字形的锯齿现象，而且越接近极小点锯齿越细。
方法特点
（1）初始点可任选，每次迭代计算量小，存储量少，程序简短。即使从一个不好的初始点出发，开始的几步迭代，目标函数值下降很快，然后慢慢逼近局部极小点。
（2）任意相邻两点的搜索方向是正交的，它的迭代路径为绕道逼近极小点。当迭代点接近极小点时，步长变得很小，越走越慢。

梯度法的特点

（1）理论明确，程序简单，对初始点要求不严格。
（2）对一般函数而言，梯度法的收敛速度并不快，因为最速下降方向仅仅是指某点的一个局部性质。
（3）梯度法相邻两次搜索方向的正交性，决定了迭代全过程的搜索路线呈锯齿状，在远离极小点时逼近速度较快，而在接近极小点时逼近速度较慢。
（4）梯度法的收敛速度与目标函数的性质密切相关。对于等值线(面)为同心圆（球）的目标函数，一次搜索即可达到极小点。
梯度法由于每次迭代的搜索方向是取函数的最速下降方向，因此又称它为最速下降法。从这点看，容易使人认为，这种方法是一个使函数值下降最快的方法，但实际上并不是这样，计算表明，此法往往收敛得相当慢。这是由于梯度法的相邻两次搜索方向是相互正交的，所以，当二元二次函数的等值线是比较扁的椭圆时，其梯度法逼近函数极小值的过程呈直角锯齿状，如图8-15(b)所示。
这种算法的优点是迭代过程简单，要求的存储量也少，而且在远离极小点时，函数下降还是比较快的。因此，常常将它与其它方法结合，在计算的前期使用最速下降方向，当接近极小点时，再改用其它搜索方向，以加快收敛速度。

2、牛顿法（二阶梯度法）
基本思想 ：在xk邻域内用一个二次函数来近似代替原目标函数，并将 的极小点作为对目标函数求优的下一个迭代点。经多次迭代，使之逼近目标函数的极小点。
牛顿法是求函数极值的最古老算法之一。

设 为 的极小点

这就是多元函数求极值的牛顿法迭代公式。
对于二次函数 ，海赛矩阵H是一个常矩阵，其中各元素均为常数。因此，无论从任何点出发，只需一步就可找到极小点。
从牛顿法迭代公式的推演中可以看到，迭代点的位置是按照极值条件确定的，其中并未含有沿下降方向搜寻的概念。因此对于非二次函数，如果采用上述牛顿迭代公式，有时会使函数值上升 。
3、修正牛顿法（阻尼牛顿法）

阻尼因子 ，沿牛顿方向进行一维搜索的最佳步长，由下式求得：

方法特点 ：
（1） 初始点应选在X*附近，有一定难度；
（2） 若迭代点的海赛矩阵为奇异，则无法求逆矩阵，不能构造牛顿法方向；
（3） 不仅要计算梯度，还要求海赛矩阵及其逆矩阵，计算量和存储量大。此外，对于二阶不可微的F(X)也不适用。
虽然阻尼牛顿法有上述缺点，但在特定条件下它具有收敛最快的优点，并为其他的算法提供了思路和理论依据。

4、变尺度法
DFP法是基于牛顿法的思想又作了重要改进。这种算法仅用到梯度，不必计算海赛矩阵及其逆矩阵，但又能使搜索方向逐渐逼近牛顿方向，具有较快的收敛速度。
基本思想：变量的尺度变换是放大或缩小各个坐标。通过尺度变换可以把函数的偏心程度降到最低限度。

Ak 是需要构造n×n的一个对称方阵 ，
如Ak=I, 则得到梯度法 ；
如则得到阻尼牛顿法 ；
当矩阵Ak 不断地迭代而能很好地逼近 时，就可以不再需要计算二阶导数。
变尺度法的关键在于尺度矩阵Ak的产生。
从初始矩阵A0=I(单位矩阵)开始，通过对公式

中修正矩阵 的不断修正，在迭代中逐步逼近于
因此，一旦达到最优点附近，就可望达到牛顿法的收敛速度。