运筹学第六章:非线性规划
Charles007
October 22, 2020
1 基本概念
1.1 非线性规划的数学模型
非线性规划的数学模型的一般形式是
min f(X)
h
i
(X) = 0 (i = 1, 2, · · · , m)
g
j
(X) ≥ 0 (j = 1, 2, · · · , l)
(1)
为了让数学模型中不出现等式约束,对于一个等式约束 g
j
(X) = 0,可以用两个不等式约束代替它:
g
j
(X) ≥ 0
−g
j
(X) ≥ 0
于是可以将标准数学模型改写为:
min f(X) X ∈ R ⊂ E
n
R = {X|g
j
(X) ≥ 0} (j = 1, 2, · · · , l)
(2)
式 2中 R 为问题的可行域。
1.2 几个定义
下面给出有关局部极小和全局极小的定义。设 f(X) 为定义在 n 维欧式空间 E
n
的某一区域 R 上的 n 元
实函数
(
可记为
f
(
X
) :
R
⊂
E
n
→
E
1
)
,对于
X
∗
∈
R
,如果存在某个
ε
≥
0
,使所有与
X
∗
的距离小于
ε
的
X ∈ R(即 X ∈ R 且 ||X − X
∗
|| ≤ ε),都有 f(X) ≥ f (X
∗
),则称 X
∗
为 f(X) 在 R 上的局部极小点,f (X
∗
)
为局部极小值。若对于所有 X = X
∗
且与 X
∗
的距离小于 ε 的 X ∈ R,都有 f(X) > f(X
∗
),则称 X
∗
为
f(X) 在 R 上的严格局部极小点,f(X
∗
) 为严格局部极小值。
设 f(X ) 为定义在 E
n
的某一区域 R 上的 n 元实函数,若存在 X
∗
∈ R,对所有 X ∈ R 都有 f(X) ≥ f(X
∗
),
则称 X
∗
为 f (X) 在 R 上的全局极小点,f(X
∗
) 为全局极小值。若对于所有 X ∈ R 且 X = X
∗
,都有
f
(
X
)
> f
(
X
∗
)
,则称
X
∗
为
f
(
X
)
在
R
上的严格全局极小点,
f
(
X
∗
)
为严格全局极小值。
如将上述定义中的不等号反向,即可得到相应的极大点和极大值的定义。本文仅就极小点和极小值加以说
明,而且注意研究局部极小问题。
1.3 多元函数极值点存在的条件
二阶可微的一元函数 f(x) 极值点存在的条件:f
′
(x) = 0(必要条件);对极小点,f
′
(x) = 0 且 f
′′
(x) > 0,对
极大点,f
′
(x) = 0 且 f
′′
(x) < 0,(充分条件)。对于无约束多元函数,其极值点存在的必要条件和充分条件,与一
元函数极值点的相应条件类似。
定理1给出了 n 元实函数 f(X) 在 X
∗
点取得极值的必要条件。
定理1 设 R 是 n 维欧式空间 E
n
上的某一开集,f(X) 在 R 上有连续的一阶偏导数,且在点 X
∗
∈ R 取
得局部极值,则必有
∂f (X
∗
)
∂x
1
=
∂f (X
∗
)
∂x
2
= · · · =
∂f (X
∗
)
∂x
n
= 0 (3)
1
评论0