优化设计试卷练习及答案

一、填空题

1.组成优化设计数学模型的三要素是 、 、 。 2.函数f(x2

+x2

⎡2⎤⎡-12⎤

1,x2)=x1

2-4x1x2+5在X0=⎢⎣4⎥点处的梯度为⎢⎥，海赛矩阵 ⎦⎣0⎦

为⎡⎢2-4⎤⎣-42⎥⎦

3.目标函数是一项设计所追求的指标的数学反映，因此对它最基本的要求是能用 来评价设计的优劣，，同时必须是设计变量的可计算函数 。

4.建立优化设计数学模型的基本原则是确切反映 工程实际问题，的基础上力求简洁 。

5.约束条件的尺度变换常称 6.随机方向法所用的步长一般按 长按一定的比例 递增的方法。

7.最速下降法以 方向作为搜索方向，因此最速下降法又称为法，其收敛速度较 慢 。

8.二元函数在某点处取得极值的充分条件是∇f(X0)=0阵正定

9.约束优化问题，这种方法又被称为 升维 法。

10改变复合形形状的搜索方法主要有反射，扩张，收缩，压缩

11坐标轮换法的基本思想是把多变量 的优化问题转化为 12．在选择约束条件时应特别注意避免出现 相互矛盾的约束， ，另外应当尽量减少不必要的约束 。

13．目标函数是n维变量的函数，它的函数图像只能在了在n维空间中反映目标函数的变化情况，常采用 目标函数等值面 的方法。

14.数学规划法的迭代公式是Xk+1=Xk+αkkd 和 计算最佳步长

15协调曲线法是用来解决 设计目标互相矛盾 的多目标优化设计问题的。 16.机械优化设计的一般过程中， 建立优化设计数学模型 是首要和关键的一步，

它是取得正确结果的前提。

二、名词解释 1．凸规划

对于约束优化问题

minf(X)

s..t gj(X)≤0 (j=1,2,3,⋅⋅⋅,m)

若f(X)、gj(X)(j=1,2,3,⋅⋅⋅,m)都为凸函数，则称此问题为凸规划。2．可行搜索方向

是指当设计点沿该方向作微量移动时，目标函数值下降，且不会越出可行域。

3 ．设计空间： n个设计变量为坐标所组成的实空间，它是所有设计方案的组合 4．.可靠度 5．收敛性

是指某种迭代程序产生的序列{Xk(k=0,1,⋅⋅⋅)}收敛于limXk+1=X*k→∞

6.非劣解：是指若有m个目标fi(X)(i=1,2⋅⋅⋅,m)，当要求m-1个目标函数值不变坏时，找不到一个X，使得另一个目标函数值f*i(X)比fi(X)，则将此X*为非劣解。7. 黄金分割法：是指将一线段分成两段的方法，使整段长与较长段的长度比值等于较长段与较短段长度的比值。

8.可行域：满足所有约束条件的设计点，它在设计空间中的活动范围称作可行域。 9.维修度 略 三、简答题

1．什么是内点惩罚函数法？什么是外点惩罚函数法？他们适用的优化问题是什么？在构造惩罚函数时，内点惩罚函数法和外点惩罚函数法的惩罚因子的选取有何不同？

1）内点惩罚函数法是将新目标函数定义于可行域内，序列迭代点在可行域内逐步逼近约束边界上的最优点。内点法只能用来求解具有不等式约束的优化问题。 内点惩罚函数法的惩罚因子是由大到小，且趋近于0的数列。相邻两次迭代的惩

罚因子的关系为 rk=crk-1(k=1,2,⋅⋅⋅)c为惩罚因子的缩减系数，其为小于1的正数，通常取值范围在0.1~0.7

2）外点惩罚函数法简称外点法，这种方法新目标函数定义在可行域之外，序列迭代点从可行域之外逐渐逼近约束边界上的最优点。外点法可以用来求解含不等式和等式约束的优化问题。外点惩罚函数法的惩罚因子，它是由小到大，且趋近于∞的数列。惩罚因子按下式递增rk=crk-1(k=1,2,⋅⋅⋅)，式中c为惩罚因子的递增系数，通常取c=5~10

2．共轭梯度法中，共轭方向和梯度之间的关系是怎样的？试画图说明。

. 对于二次函数，f(X)=1

2XTGX+bTX+c,从Xk点出发，沿G的某一共轭方向dk

作一维搜索，到达Xk+1点，则Xk+1点处的搜索方向dj应满足(dj)

T

(gk+1-gk)=0，

即终点Xk+1与始点Xk的梯度之差gk+1-gk与dk的共轭方向dj正交。

3．为什么说共轭梯度法实质上是对最速下降法进行的一种改进？.

答：共轭梯度法是共轭方向法中的一种，在该方法中每一个共轭向量都依赖于迭代点处的负梯度构造出来的。共轭梯度法的第一个搜索方向取负梯度方向，这是最速下降法。其余各步的搜索方向是将负梯度偏转一个角度，也就是对负梯度进行修正。所以共轭梯度法的实质是对最速下降法的一种改进。

4.写出故障树的基本符号及表示的因果关系。

略

5.算法的收敛准则由哪些？试简单说明。 略

6.优化设计的数学模型一般有哪几部分组成？简单说明。

略

7．简述随机方向法的基本思路

答：随机方向法的基本思路是在可行域内选择一个初始点，利用随机数的概率特性，产生若干个随机方向，并从中选择一个能使目标函数值下降最快的随机方向作为可行搜索方向。从初始点出发，沿搜索方向以一定的步长进行搜索，得到新的X值，新点应该满足一定的条件，至此完成第一次迭代。然后将起始点移至X，重复以上过程，经过若干次迭代计算后，最终取得约束最优解。

三、计算题

1．试用牛顿法求f(X)=8x20

)1+5x22的最优解，设X(=[1010]T

。

初始点为X(0)=[1010]T

，则初始点处的函数值和梯度分别为

f(X0)=1700

∇f(X0

)=⎡16x1+4x2⎤⎡200⎤，沿梯度方向进行一维搜索，有

⎢⎣4x⎥=⎢1+10x2⎦

⎣140⎥⎦X1=X0-α(X0)=⎡⎢10⎤⎣10⎥⎦-α⎡200⎤⎡10-200α0⎤

0∇f0⎢⎣140⎥

⎦=⎢⎣10-140α⎥ 0⎦

α0为一维搜索最佳步长，应满足极值必要条件

f(X1)

=minfX0-α∇f(X0

)]

=minα{

α

[8⨯(10-200α2

0)+4⨯(10-200α0)⨯(10-140α0)+5⨯(10-140α2

0)}

=mα

inϕ(α)

ϕ'(α0)=1060000α0-59600=0， 从而算出一维搜索最佳步长 α0=

59600

1060000

=0.0562264

则第一次迭代设计点位置和函数值X1=⎡⎢10-200α0⎤⎣10-140α⎥=⎡⎢-1.2452830⎤

⎥

0⎦⎣2.1283019⎦

f(X1)=24.4528302，从而完成第一次迭代。按上面的过程依次进行下去，便可求

得最优解。

2、试用黄金分割法求函数f(α)=α+

20

α

的极小点和极小值，设搜索区间

[a,b]=[0.2,1]（迭代一次即可）

解：显然此时，搜索区间[a,b]=[0.2,1]，首先插入两点α1和α2，由式

α1=b-λ(b-a)=-10(.-61)8=1

0. 20.5056

α2=a+λ(b-

a)=

0+.2⨯0(.-61)8=

1

.20.6944

计算相应插入点的函数值f(α1)=40.0626,f(α2)=29.4962。 因为f(α1)>f(α2)。所以消去区间[a,α1]，得到新的搜索区间[α1,b]， 即[α1,b]=[a,b]=[0.5056,1]。 第一次迭代：

插入点α1=0.6944， α2=0.5056+0.618(1-0.5056)=0.8111

相应插入点的函数值f(α1)=29.4962,f(α2)=25.4690，

由于f(α1)>f(α2)，故消去所以消去区间[a,α1]，得到新的搜索区间

[α1,b]，则形成新的搜索区间[α1,b]=[a,b]=[0.6944,1]。至此完成第一次迭代，

继续重复迭代过程，最终可得到极小点。

3．用牛顿法求目标函数f(X)=16x22

(0)1+25x2+5的极小点，设X=[22]T

。

⎢解：由 X(0

)

=[22]T⎢∂f⎥

，则∇f(X0

)=⎢∂x1⎥⎡32x1⎤⎡64⎤⎢⎢∂f⎥⎥=⎢⎣50x⎥=⎢100⎥⎦

2⎦⎣⎣∂x⎥2⎦

⎢∂2f⎥(⎢∂2f

∂x2

∇2fX0

)=⎢1∂x1∂x⎥2⎢⎥∂2

f∂2f⎥=⎡⎢320⎤

⎣050⎥

⎦，其逆矩阵为

⎢

⎣∂x2∂x1

∂x2⎥2⎦

⎡10⎤

⎡⎥⎣∇2f(X0)⎤-1

⎢⎦

=⎢32⎢1⎥⎢⎥ ⎣050⎥⎦

⎡1

0⎤

因此可得：X1=X0-⎡⎣∇2f(X0)⎤-1⎦∇f(X0)=⎡2⎤⎢32⎥

⎢⎣2⎥⎦-⎢

⎢1⎥⎡64⎤⎡0⎤100⎢⎥⎢⎥⎣⎥⎦=⎢⎣0⎥⎦ ⎣0

50⎦

f(X1)=5，从而经过一次迭代即求得极小点X*=[00]T

，f(X*)=5

4.下表是用黄金分割法求目标函数 f(α)=α+20

α的极小值的计算过程，请完成下

表。