全国服务热线:0898-08980898
联系我们 contact us
地址:
海南省海口市
邮箱:
admin@youweb.com
电话:
0898-08980898
传真:
1234-0000-5678
公司动态 当前位置: 首页 > 傲世皇朝新闻 > 公司动态
约束优化添加时间:2024-05-06
播报
编辑
不失一般性,约束优化问题可以描述为如下形式:
其中 x 是决策变量,f( x )是目标函数,
是不等式约束,
是等式约束,D={
|
}是搜索空间, D中所有满足约束条件的解构成可行域S,即 S={x|
},可行域中的点称为可行解。对于不等式约束
,若在 x 点处满足
,则称
在x点处是积极约束。等式约束
在所有可行解处是积极约束。 [1]
若对某一
,存在常数
,使得对
{x|
},有
,则称
为局部最优解;若对一切
都有
,则称
为全局最优解。求解最优化问题NLP,就是要求目标函数f(x)在约束条件下的极小点,即求出其全局最优解,但在一般情况下,往往只能求出它的一个局部最优解。 [2]
当f(x)为线性函数时称为线性规划问题,反之如果是非线性则为非线性规划问题。当约束问题包含一个目标函数时,称为单目标约束优化问题;当约束问题包含多个目标函数时,称为多目标约束优化问题 [3]
播报
编辑
传统方法的实现如牛顿法梯度法等,其基本思想就是将动态的转化为静态的,将多目标转化为单目标,由点及面的搜索思想。 [3]
传统方法存在如下问题:
(1) 传统的基于梯度的优化方法(如可行方向法、约束变尺度法)对约束条件的处理往往是先寻找一个可行且下降的方向,然后沿此方向进行线性搜索,并重复上述步骤以得到问题的最优解,然而该最优解往往是局部最优的。
(2) 对于许多实际的约束优化问题,一方面,由于目标函数往往形式复杂,不仅问题的维数比较高,而且优化曲面中存在多个极小点,这使得传统的基于梯度的算法难以奏效。另一方面,实际问题中目标函数往往是不连续或不可微,有些问题目标函数甚至没有解析表达式,传统算法难以解决这类问题。
(3) 由于约束的存在,使得决策变量的可行搜索空间不规则(如非凸,不连通等),从而增加了搜索到最优解的难度,有时甚至很难找到可行解。 [1]
播报
编辑
简介
进化算法是一种智能的全局优化方法,它对函数本身性质要求非常低,往往只要求目标函数值是可以计算的,不要求它具有连续性、可微性及其它解析性质,同时它又是基于群体进化的算法,因此可采用进化算法解决约束优化问题。用进化算法解决约束优化问题的关键在于如何进行有效的约束处理,即如何有效均衡在可行区域与不可行区域的搜索。
常见的用于求解约束优化问题的进化算法有罚函数法遗传算法进化策略、进化规划、蚁群算法粒子群算法等。
与传统方法相比的优势
(1) 在一般情况下,进化算法能否收敛到全局最优解与初始群体无关,而传统优化方法则依赖于初始解;
(2) 进化算法具有全局搜索能力,而很多传统优化方法往往会陷入局部最优;
(3) 进化算法的适用范围广,能有效地解决不同类型的问题,而传统优化方法在设计时往往就只能解诀某一类型的问题。
存在的不足
(1) 进化算法中的参数,如群体规模、进化代数、重组概率、变异概率等,往往需要根据经验设定,且在一定程度上与问题相关;
(2) 进化算法的收敛问题,进化算法求解实际问题时的收敛性判定缺乏理论指导。 [4]

平台注册入口