您好,欢迎访问三七文档
当前位置:首页 > 行业资料 > 其它行业文档 > 约束优化算法:拉格朗日乘子法
拉格朗日乘子法约束优化问题的标准形式为:min(),..()0,1,2,...,()0,1,2,...,nijfxxRstgximhxjl,,:nijfghRR其中约束优化算法的基本思想是:通过引入效用函数的方法将约束优化问题转换为无约束问题,再利用优化迭代过程不断地更新效用函数,以使得算法收敛。1.罚函数法罚函数法(内点法)的主思想是:在可行域的边界上筑起一道很高的“围墙”,当迭代点靠近边界时,目标函数陡然增大,以示惩罚,阻止迭代点穿越边界,这样就可以将最优解“挡”在可行域之内了。它只适用于不等式约束:min(),..0,1,2,...,nifxxRstgim它的可行域为:{|()0,1,2,...,}niDxRgxim对上述约束问题,其其可行域的内点可行集0D的情况下,引入效用函数:min(,)()()BxrfxrBx、其中11()()miiBxgx或1()|ln(())|miiBxgx算法的具体步骤如下:给定控制误差0,惩罚因子的缩小系数01c。步骤1:令1k,选定初始点(0)0xD,给定10r(一般取10)。步骤2:以()kx为初始点,求解无约束min(,)()()kBxrfxrBx其中11()()miiBxgx或1()|ln(())|miiBxgx,得最优解()()kkxxr步骤3:若()()kkrBx,则()kx为其近似最优解,停;否则,令,1kkrcrkk,转步骤2.2.拉格朗日乘子法(1)PH算法:(约数为等式的情况引入)效用函数为()()min(,,)()()()()kkTTkkMxufxuhxhxhx判断函数为()kkhx当()()kkx时迭代停止。步骤1:选定初始点(0)x,初始拉格朗日乘子向量(1)u,初始罚因子1及其放大系数1c,控制误差0与常数(0,1),令1k。步骤2:以(1)kx为初始点,求解无约束问题:()()min(,,)()()()()kkTTkkMxufxuhxhxhx得到无约束问题最优解()kx步骤3:当()khx时,()kx为所求的最优解,停;否则转步骤4.步骤4:当()()/kkhxhx时,转步骤5;否则令k1kc,转步骤5.步骤5:令(1)()()(),1kkkkuuhxkk,转步骤1。(2)PHR算法(一般约束形式的松弛变量法和指数形式法)松弛变量法:12222111(,,)()max0,()2()()2iiilljjjjjMuvfxugxuvhxhx乘子的修正公式为:(1)()()(1)()()(),1,...,max0,(),1,...,kkkjjjkkkiiivvhxjluugxim判断函数为:1/22()2()()11()max(),klmkkikjijiuhxgx当()()kkx时迭代停止。3.乘子法MATLAB程序及其作用3.1_Almain函数3.1.1程序(1):乘子法效用函数程序函数功能:将约束优化问题,根据效用函数方法,将其转变成无约束问题。functionf=AL_obj(x)%拉格朗日增广函数%N_equ等式约束个数%N_inequ不等式约束个数globalr_alpenaN_equN_inequ;%全局变量h_equ=0;h_inequ=0;[h,g]=constrains(x);%等式约束部分fori=1:N_equh_equ=h_equ+h(i)*r_al(i)+(pena/2)*h(i).^2;end%不等式约束部分fori=1:N_inequh_inequ=h_inequ+(0.5/pena)*(max(0,(r_al(i)+pena*g(i))).^2-r_al(i).^2);end%拉格朗日增广函数值f=obj(x)+h_equ+h_inequ;3.1.2程序(2):判断函数函数功能:判断是否符合约束条件%%thecomparefunctionisthestopconditionfunctionf=compare(x)globalr_alpenaN_equN_inequ;h_equ=0;h_inequ=0;[h,g]=constrains(x);%等式部分fori=1:N_equh_equ=h_equ+h(i).^2;end%不等式部分fori=1:N_inequh_inequ=h_inequ+(max(-g(i),r_al(i+N_equ)/pena)).^2;endf=sqrt(h_equ+h_inequ);3.1.3程序(3)AL算法主程序函数功能:对无约束的效用函数利用拟牛顿算法求解其最优解,更新乘子。function[X,FVAL]=AL_main(x_al,r_al,N_equ,N_inequ)%本程序为拉格朗日乘子算法示例算法%函数输入:%x_al:初始迭代点%r_al:初始拉格朗日乘子%N-equ:等式约束个数%N_inequ:不等式约束个数%函数输出%X:最优函数点%FVAL:最优函数值%============================程序开始================================globalr_alpenaN_equN_inequ;%参数(全局变量)pena=10;%惩罚系数c_scale=2;%乘法系数乘数cta=0.5;%下降标准系数e_al=0.005;%误差控制范围max_itera=25;out_itera=1;%迭代次数%===========================算法迭代开始=============================whileout_iteramax_iterax_al0=x_al;r_al0=r_al;%判断函数compareFlag=compare(x_al0);%无约束的拟牛顿法BFGS[X,FVAL]=fminunc(@AL_obj,x_al0);x_al=X;%得到新迭代点%判断停止条件ifcompare(x_al)e_aldisp('wegettheoptpoint');breakend%c判断函数下降度ifcompare(x_al)cta*compareFlagpena=pena;%可以根据需要修改惩罚系数变量elsepena=min(1000,c_scale*pena);%%乘法系数最大1000disp('pena=2*pena');end%%更新拉格朗日乘子[h,g]=constrains(x_al);fori=1:N_equ%%等式约束部分r_al(i)=r_al(i)+pena*h(i);endfori=1:N_inequ%%不等式约束部分r_al(i+N_equ)=max(0,(r_al(i+N_equ)+pena*g(i)));endout_itera=out_itera+1;end%+++++++++++++++++++++++++++迭代结束+++++++++++++++++++++++++++++++++disp('!!!!!!!!!!!!!!!!!!!theiterationover!!!!!!!!!!!!!!!!!!!!!!!!!!');disp('thevalueoftheobjfunction');obj(x_al)disp('thevalueofconstrains');compare(x_al)disp('theoptpoint');X=x_al;FVAL=obj(X);3.1.4乘子法_ALmain函数使用方法(1)定义目标函数及约束条件122331123222123min()..1030fxxxxxxxstxxxxxx目标函数m文件functionf=obj(x)f=-x(1)*x(2)-x(2)*x(3)-x(3)*x(1);约束函数m文件222[,]()(1)(2)(3)1;(1)(2)(3)3;functionhgconstrainsxhxxxgxxx(2)_ALmain函数调用x_al=[1,1,1];%初始迭代点r_al=[1,1];%初始拉格朗日乘子N_equ=1;%等式约束个数一个N_inequ=1;%不等式约束个数一个[X,FVAL]=AL_main(x_al,r_al,N_equ,N_inequ)计算结果:wegettheoptpoint!!!!!!!!!!!!!!!!!!!theiterationover!!!!!!!!!!!!!!!!!!!!!!!!!!thevalueoftheobjfunctionans=-3.9871e+031thevalueofconstrainsans=0theoptpointX=1.0e+015*3.77233.39853.7723FVAL=-3.9871e+031
本文标题:约束优化算法:拉格朗日乘子法
链接地址:https://www.777doc.com/doc-4929257 .html