实用最优化方法编程大作业
实用最优化方法编程大作业
班级:
姓名:
指导老师:
学号:
大连理工大学
2015年11月27日
版本号:MATLAB7.11.0(R2010b)
【文件名WP.m】
function x=WP(f,x0,var,s0,eps)
clc
syms x1x2;
c1=0.1;c2=0.5;
b=inf;lambda=1;
if nargin==4
eps=1.0e-6;
end
gradf=jacobian(f,var);
g0=subs(gradf,var,x0);
f0=subs(f,var,x0);
gs=g0*s0';
a=0;
j=0;
while j<1000
new_x=x0+lambda*s0;
new_f=subs(f,var,new_x);
left=f0-new_f;
new_g=subs(gradf,var,new_x);
new_gs=new_g*s0';
right=-1*c1*lambda*gs;
if left j=j+1; b=lambda; lambda=0.5*(lambda+a); else%满足第一个条件 left2=new_gs; right2=c2*g0; if left2 j=j+1; a=lambda; lambda=min(2*lambda,0.5*(lambda+b)); else x=lambda; break; end end end 在Command Window输入: syms x1x2 WP(100*(x2-x1^2)^2+(1-x1)^2,[-1,1],[x1x2],[11]) 程序运行后可得出结果: ans=0.0039 【文件名minGETD.m】 function[x,minf]=minGETD(f,x0,var,eps) clc syms x1x2x3 format long; n=length(x0); if nargin==3 eps=1.0e-3; end x0=x0'; syms lambda; gradf=jacobian(f,var); g=subs(gradf,var,x0); s=-g'; k=0; while1 tol=norm(double(g)); if tol<=eps x=x0; break; end x1=x0+lambda*s; f1=subs(f,var,x1); dy1=diff(f1); lambda0=solve(dy1); x1=x0+lambda0*s; g1=subs(gradf,var,x1) tol=norm(double(g1)) if tol<=eps x=x1; break; end if k+1==n x0=x1; continue; else miu=dot(g1,g1)/dot(g,g) s=-g1'+miu*s; k=k+1; x0=x1; end end x 在Command Window输入: syms x1x2x3 x0=[000];var=[x1x2x3]; f=x1^2-2*x1*x2+2*x2^2+x3^2-x2*x3+2*x1+3*x2-x3; minGETD(f,x0,var,eps) 程序运行后可得出结果: x=[-236894/59711,-178563/59711,-59465/59711] 可认为最终解为[-4,-3,-1]。 【文件名Excise.m】 function[x,minf]=Excise_3(f,x0,var,method,eps) %method表算法,1时为最速下降法,2时为牛顿法,3为BFGS clc tic syms x1x2 format long; if nargin==4 eps=1.0e-6; end n=length(x0); H0=eye(2); x0=x0'; gradf=jacobian(f,var); g0=subs(gradf,var,x0)'; s=-H0*g0; k=0; j=0; %检查初始点是否为最优点 tol=norm(double(g0)); if tol<=eps x=x0; minf=subs(f,var,x); return; end while1 lambda0=WP(f,x0',var,s'); x1=x0+lambda0*s; f1=subs(f,var,x1); g1=subs(gradf,var,x1)'; tol=norm(double(g1)); if tol<=eps x=x1; break; end if k+1==n x0=x1; H0=eye(2); s=-subs(gradf,var,x0)'; k=0; continue; else switch method case1%最速下降法 H1=eye(n); case2%牛顿法 Hesse=jacobian(gradf,var) H1=inv(subs(Hesse,var,x1)); case3%BFGS d_x=x1-x0; d_g=g1-g0; v=d_x/(d_x'*d_g)-H0*d_g/(d_g'*H0*d_g); H1=H0+(d_x*d_x')/(d_x'*d_g)-((H0*d_g)*(H0*d_g)')/... (d_g'*H0*d_g)+(d_g'*H0*d_g)*v*v' end j=j+1; s=-H1*g1; k=k+1; x0=x1; g0=g1; H0=H1; end end x%最优解 minf=subs(f,var,x)%最优值 j%迭代次数 toc%运行时间 format short; 在Command Window输入: syms x1x2 Excise_3(x1+2*x2^2+exp(x1^2+x2^2),[10],[x1x2],1) 程序运行后可得出结果(最速下降法,method=1): x=[-0.419364591338560,0] minf=0.772914478780059 j=10 Elapsed time is2.328044seconds. 仅改变输入变量method的值得到牛顿法(method=2),程序运行后可得出结果:x=[-0.419365009463280,0] minf=0.772914478780027 j=3 Elapsed time is0.876141seconds. 仅改变输入变量method的值得到BFGS法(method=3),程序运行后可得出结果:x=[-0.419364824015761,0] minf=0.772914478779971 j=8 Elapsed time is3.731816seconds. 可以看出,仅就习题3来说,牛顿法迭代次数(3次)最少,运行时间(0.87s)最短。 【文件名Excise_4.m】 function[x,minf]=Excise_4(x0) clc format long; syms x1x2; x=[x1x2]'; f=x1^2+2*x2^2-2*x1-6*x2-2*x1*x2; G=[2-2;-24]; g=[-2-6]'; b=[1200]'; AA=[1/21/2;-12;-10;0-1]; A=AA;A1=[];A0=[];b0=[];b1=[]; for i=1:length(A(:,1)) if A(i,:)*x0==b(i) A10=A(i,:); A1=[A1;A10]; b1=[b1;b(i)]; else A00=A(i,:); A0=[A0;A00]; b0=[b0;b(i)]; end end while1 if size(A1)==[00] ZA=G; Zg=-(G*x0+g); dl=inv(ZA)*Zg; d=dl; lambda=dl(3:length(dl),:); else ZA=[G A1';A1zeros(length(A1(:,1)))]; Zg=[-(G*x0+g);zeros(length(A1(:,1)),1)]; dl=inv(ZA)*Zg; d=dl(1:2,:); lambda=dl(3:length(dl),:); end if norm(d)<1.0e-6 d=[00]'; end lmin=min(lambda); if d==zeros(2,1) if lmin>=0 break; else a=find(lambda==lmin); A0=[A0;A1(a,:)]; b0=[b0;b1(a)]; A1(a,:)=[];b1(a)=[]; end else x0ba=x0+d; newb=A0*x0ba-b0; bmax=max(newb); if bmax<=0 x0=x0ba; else A2=[];b2=[]; for i=1:length(A0(:,1)) if A0(i,:)*d>0 A2=[A2;A0(i,:)]; b2=[b2;b0(i)]; end end alfav=(A2*x0-b2)./(A2*d); alfa=min(-alfav); x0=x0+alfa.*d; end A=AA;A1=[];A0=[];b0=[];b1=[]; for i=1:length(A(:,1)) if A(i,:)*x0==b(i) A10=A(i,:); A1=[A1;A10]; b1=[b1;b(i)]; else A00=A(i,:); A0=[A0;A00]; b0=[b0;b(i)]; end end end end x=x0 minf=subs(f,findsym(f),x0) 习题要求取两种点:(1)可行域内部点(取x0=[00]’);(2)可行域边界点(取x0=[2/34/3]’)。 在Command Window输入: Excise_4([00]’) 程序运行后可得出结果: x=[0.8,1.2] minf=-7.2 同理,在Command Window输入:Excise_4([2/34/3]’)可得相同结果。 【文件名Excise_5.m(脚本)】 clear clc format long; syms x1x2lambda miu1miu2miu3 eps=1.0e-6; c=8;miu0=[000]';lambda=0; x=[x1x2]'; miu=[miu1miu2miu3]'; f=4*x1-x2^2-12;h=25-x1^2-x2^2; g1=10*x1-x1^2-x2^2+10*x2-34; g2=x1;g3=x2; zg=[g1g2g3]'; comp=[000]'; x0=[00]'; while1 zg0=subs(zg,findsym(zg),x0) y=Lagrange(x,c,miu0,lambda,x0) x1=BFGS(x0,x,c,miu0,lambda) h1=subs(h,findsym(h),x1) zg1=subs(zg,findsym(zg),x1) b=min(zg1,-1/c*miu0) if h1^2+(norm(b))^2 break; else lambda=lambda+c*h1 miu0=min(comp,miu0+c*zg1) x0=x1 end end minx=x1 minf=subs(f,findsym(f),x1) 【文件名Lagrange.m(计算增广的Lagrange表达式)】 function y=Lagrange(x,c,miu,lambda,x0); f1=4*x(1)-x(2)^2-12;f=[f10]'; h1=25-x(1)^2-x(2)^2;h=[h10]'; g1=10*x(1)-x(1)^2-x(2)^2+10*x(2)-34; g2=x(1);g3=x(2); zg=[g1g2g3]'; comp=[000]'; y=f(1)+lambda*h(1)+c/2*(h(1)^2); zg0=subs(zg,findsym(zg),x0); for i=1:3 if miu(i)+c*zg0(i)<0 y=y+1/(2*c)*((miu(i)+c*zg(i))^2-miu(i)^2); else y=y-1/(2*c)*(miu(i)^2); end end 【文件名newWP.m(精简第一题WP.m)】 function a=newWP(x,x0,s,c,miu,lambda) eps=1.0e-6; c1=0.1;c2=0.5; a=0;b=inf;lambda0=1; while1 f=Lagrange(x,c,miu,lambda,x0); gf=jacobian(f,x'); f0=subs(f,findsym(f),x0); gf0=subs(gf,findsym(gf),x0)'; x1=x0+lambda0*s; f1=subs(f,findsym(f),x1); gf1=subs(gf,findsym(gf),x1); left1=f0-f1; right1=-c1*lambda0*(gf0'*s); left2=gf1*s; right2=c2*(gf0'*s); if left1>=right1 if left2>=right2 break; else a=lambda0; lambda1=min(2*lambda0,(lambda0+b)/2); end else b=lambda0; lambda1=(lambda0+a)/2; end lambda0=lambda1; end a=lambda0; 【文件名BFGS.m(精简习题3的method=3为适应乘子法的BFGS方法)】function minx=BFGS(x0,x,c,miu,lambda) syms H eps=1.0e-6;k=0; H0=eye(2); while1 f=Lagrange(x,c,miu,lambda,x0); gf=jacobian(f,x'); ggf=jacobian(gf,x'); gf0=subs(gf,findsym(gf),x0); ggf0=subs(ggf,findsym(ggf),x0); if norm(gf0) break; else s0=-(H0*gf0'); a=newWP(x,x0,s0,c,miu,lambda); x1=x0+a*s0; gf1=subs(gf,findsym(gf),x1); d_x=x1-x0; d_g=(gf1-gf0)'; v0=d_x/(d_x'*d_g)-(H0*d_g)/(d_g'*H0*d_g); H1=H0-(H0*d_g*d_g'*H0)/(d_g'*H0*d_g)+(d_x*d_x')/… (d_x'*d_g)+(d_g'*H0*d_g)*v0*v0'; end x0=x1; gf0=gf1; H0=H1; end minx=x0 minf=subs(f,findsym(f),x0) 运行脚本Excise_5.m,运行后可得出结果:minx=[1.001282468109761,4.898717528577087] minf=-31.992303552349352 北航最优化方法大作业参考 1 流量工程问题 1.1 问题重述 定义一个有向网络G=(N,E),其中N是节点集,E是弧集。令A是网络G的点弧关联矩阵,即N×E阶矩阵,且第l列与弧里(I,j)对应,仅第i行元素为1,第j行元素为-1,其余元素为0。再令b m=(b m1,…,b mN)T,f m=(f m1,…,f mE)T,则可将等式约束表示成: Af m=b m 本算例为一经典TE算例。算例网络有7个节点和13条弧,每条弧的容量是5个单位。此外有四个需求量均为4个单位的源一目的对,具体的源节点、目的节点信息如图所示。这里为了简单,省区了未用到的弧。此外,弧上的数字表示弧的编号。此时,c=((5,5…,5)1 )T, ×13 根据上述四个约束条件,分别求得四个情况下的最优决策变量x=((x12,x13,…,x75)1× )。 13 图 1 网络拓扑和流量需求 1.2 7节点算例求解 1.2.1 算例1(b1=[4;-4;0;0;0;0;0]T) 转化为线性规划问题: Minimize c T x1 Subject to Ax1=b1 x1>=0 利用Matlab编写对偶单纯形法程序,可求得: 最优解为x1*=[4 0 0 0 0 0 0 0 0 0 0 0 0]T 对应的最优值c T x1=20 1.2.2 算例2(b2=[4;0;-4;0;0;0;0]T) Minimize c T x2 Subject to Ax2=b2 X2>=0 利用Matlab编写对偶单纯形法程序,可求得: 最优解为x2*=[0 4 0 0 0 0 0 0 0 0 0 0 0]T 对应的最优值c T x2=20 1.2.3 算例3(b3=[0;-4;4;0;0;0;0]T) Minimize c T x3 Subject to Ax3=b3 X3>=0 利用Matlab编写对偶单纯形法程序,可求得: 最优解为x3*=[4 0 0 0 4 0 0 0 0 0 0 0 0]T 对应的最优值c T x3=40 《最优化方法》复习题(含答案) 附录5 《最优化方法》复习题 1、设n n A R ?∈是对称矩阵,,n b R c R ∈∈,求1()2 T T f x x Ax b x c =++在任意点x 处的梯度和Hesse 矩阵. 解 2(),()f x Ax b f x A ?=+?=. 2、设()()t f x td ?=+,其中:n f R R →二阶可导,,,n n x R d R t R ∈∈∈,试求()t ?''. 解 2()(),()()T T t f x td d t d f x td d ??'''=?+=?+. 3、设方向n d R ∈是函数()f x 在点x 处的下降方向,令 ()()()()() T T T T dd f x f x H I d f x f x f x ??=--???, 其中I 为单位矩阵,证明方向()p H f x =-?也是函数()f x 在点x 处的下降方向. 证明 由于方向d 是函数()f x 在点x 处的下降方向,因此()0T f x d ?<,从而 ()()()T T f x p f x H f x ?=-?? ()()()()()()()() T T T T T dd f x f x f x I f x d f x f x f x ??=-?--???? ()()()0T T f x f x f x d =-??+?<, 所以,方向p 是函数()f x 在点x 处的下降方向. 4、n S R ?是凸集的充分必要条件是12122,,,,,,,,m m m x x x S x x x ?≥?∈L L 的一切凸组合都属于S . 证明 充分性显然.下证必要性.设S 是凸集,对m 用归纳法证明.当2m =时,由凸集的定义知结论成立,下面考虑1m k =+时的情形.令1 1k i i i x x λ+==∑, 其中,0,1,2,,1i i x S i k λ∈≥=+L ,且1 1 1k i i λ+==∑.不妨设11k λ+≠(不然1k x x S +=∈, 结论成立),记11 1k i i i k y x λλ=+=-∑ ,有111(1)k k k x y x λλ+++=-+, 1.用薄钢板制造一体积5m 3,长度不小于4m ,无上盖的货箱,要求钢板耗量最小。确定货箱的长x 1、宽x 2和高x 3。试列出问题的数学模型。 解:min 32312122x x x x x x z ++= s.t 5321=x x x 41≥x 0,,321≥x x x 2.将下面的线性规划问题表示为标准型并用单纯形法求解 max f=x 1+2x 2+x 3 s .t .2x 1+x 2-x 3≤2 -2x 1+x 2-5x 3≥-6 4x 1+x 2+x 3≤6 x i ≥0 i=1,2,3 解:先化标准形: Min 321x x x z -+= 224321=+-+x x x x 6525321=++-x x x x 646321=+++x x x x 列成表格: 1 2 1 610011460105122001112----- 可见此表已具备1°,2°,3°三个特点,可采用单纯形法。首先从底行中选元素-1,由2/2,6/2,6/4最小者决定选第一行第一列的元素2,标以记号,迭代一次得 1 2 1 2102310401162010021212 11-------- 再从底行中选元素-2/3,和第二列正元素1/2,迭代一次得 1 2 12 32 30 210231040116201002121211- ------ 再从底行中选元素-3,和第二列正元素2,迭代一次得 4 2 3 3 410120280114042001112--- 再迭代一次得 10 2 30 2 10 6 221023 1010213000421021013-- 选取最优解: 好手段促高效 银川灵武市第五小学许怀德 课堂教学是个有机的整体,他是以教材为中介,师生双边活动的过程。优化课堂教学的关键在于正确处理教与学的关系,发挥师生双方的积极性,在教师启发引导下,学生主动探索,以最科学、最准确、最经济的途径获得新知,形成能力,取得较好的效果。然而由于数学知识的抽象性,与学生的认识正处于以直观形象思维为主要形式,逐步到抽象的逻辑思维过渡阶段,形成了学科性质与学生认识特点之间的矛盾。解决这一矛盾的外部条件,除了教师精心组织教材,优化教学目标,优化课堂结构,优化教学方法等等之外,还必须重视教学手段的优化,使教学手段能较好的发挥教学的辅助作用,帮助学生较快的理解和掌握数学知识,实现教学目标,提高课堂教学效率。 一、优化操作、演示过程,提高教学效率 儿童思维发展的过程是一个从具体形象到抽象思维的发展过程,布鲁纳提出概念的发展要经过三种模式,即动作性模式,影响性模式,符号性模式。他认为教学必须按照儿童智力发展的层次来进行。皮亚杰也提出:“要知道一个客体就必须动之以手。”这说明操作、演示在儿童获取知识中的重要作用。因此在教学中要重视从直观入手,充分运用操作、演示的教学手段,使学生动手、动口、动脑,调动多种感官,使其获得丰富的感性认识,借助形象思维来发展抽象的逻辑思维。 运用操作、演示的教学手段,首先教师要明确操作的要求,然 后根据教学内容和写生的认识特点,精心设计操作严实的程序、操作演示的方式方法和操作的指导语。考虑怎样操作,怎样演示才能展现知识的形成过程;什么时候操作,什么时候演示才能恰到好处地突出重点,突破难点。也就是要注意把握好用的恰当时机,掌握好火候,在教学的关键处揭示事物的数量关系和变化过程算理、解法和盘托出。如教学两位数加一位数:27+5,重点是使学生掌握口算方法,理解进位加法的算理。我们可以围绕教学重点分层次一步一步地操作演示。首先让学生摆小棒,在左边摆27根右边摆5根,启发学生想:先算什么?7根加5根是多少根?再算什么?学生根据老师的启示边操作边思考。接着叫一名学生在幻灯机上再次操作,要求学生边操作边口述操作过程,使学生悟出7根小棒加5根小棒是12根小棒,然后把10根小棒捆成1捆,再与原来的2捆加在一起。最后教师又在黑板上画图演示。使学生进一步理解进位加法的口算方法,掌握口算步骤。 二、优化插图的使用,提高教学效率 课本的插图能帮助学生理解教材内容,但是课本的插图是静止的,只能反映事物的结果,不能反映事物发展变化的过程。为了使插图真正祈祷直观形象地帮助学生理解抽象的数学知识的作用,可以分步插图,使画面由静变动,展示事物发展变化的过程,有效地帮助学生不但知道“结论”,还能知道获得“结论”的过程,从而真正地理解概念,掌握法则。如教学:同学们浇树,每人浇4棵,3个人共浇多少棵?此题书上配有插图,这幅图有三种出图的方法。 发动机空燃比控制器 引言:我主要从事自动化相关研究。这里介绍我曾经接触过的发动机空燃比控制器设计中的优化问题。 发动机空燃比控制器设计中的最优化问题 AFR =a f m m && (1) 空燃比由方程(1)定义,在发动机运行过程中如果控制AFR 稳定在14.7可以获 得最好的动力性能和排放性能。如果假设进入气缸的空气流量a m &可以由相关单元检测得到,则可以通过控制进入气缸的燃油流量f m &来实现空燃比的精确控制。由于实际发动机的燃油喷嘴并不是直接对气缸喷燃油,而是通过进气歧管喷燃油,这么做会在进 气歧管壁上液化形成油膜,因此不仅是喷嘴喷出的未液化部分燃油会进入气缸,油膜 蒸发部分燃油也会进入气缸,如方程(2)。这样如何更好的喷射燃油成为了一个问题。 1110101122211ττττ?? ?? -?? ??????????=+????????-????????????-???? ? ??? ?? ????????? ?f f f v X x x u x x X x y =x && (2) 其中12、,==ff fv x m x m &&=f y m &,=fi u m &这里面,表示油膜蒸发量ff m &、fv m &表示为液化部分燃油、fi m &表示喷嘴喷射的燃油,在τf 、τv 、X 都已知的情况下,由现代控制理论知识,根据系统的增广状态空间模型方程(3) 0000001 1 011011114.70ττττ????-?? ??????????=-+-??????????????? ??????????????? ?? ??=?????? f f v v a X X u +q q m y q x x x &&& (3) 其中()0 14.7?t a q = y -m &。由极点配置方法,只要设计控制器方程(4),就可以 使得y 无差的跟踪阶跃输入,那么y 也能较好的跟踪AFR *a m /&。 12-- u =K q K x (4) 这里面的12、K K 确定,可由主导极点概念降维成两个参数12C ,C ,虽然都是最终稳态无差,但是目标是使得瞬态过程中y 和阶跃输入y r 的差异尽可能的小。所以原问 《最优化方法》试题 一、 填空题 1.设()f x 是凸集n S R ?上的一阶可微函数,则()f x 是S 上的凸函数的一阶充要条件是( ),当n=2时,该充要条件的几何意义是( ); 2.设()f x 是凸集n R 上的二阶可微函数,则()f x 是n R 上的严格凸函数( )(填‘当’或‘当且仅当’)对任意n x R ∈,2()f x ?是 ( )矩阵; 3.已知规划问题22211212121212min 23..255,0z x x x x x x s t x x x x x x ?=+---?--≥-??--≥-≥?,则在点55(,)66T x =处的可行方向集为( ),下降方向集为( )。 二、选择题 1.给定问题222121212min (2)..00f x x s t x x x x ?=-+??-+≤??-≤?? ,则下列各点属于K-T 点的是( ) A) (0,0)T B) (1,1)T C) 1(,22 T D) 11(,)22T 2.下列函数中属于严格凸函数的是( ) A) 211212()2105f x x x x x x =+-+ B) 23122()(0)f x x x x =-< C) 2 222112313()226f x x x x x x x x =+++- D) 123()346f x x x x =+- 三、求下列问题 ()22121212121211min 51022 ..2330420 ,0 f x x x x x s t x x x x x x =+---≤+≤≥ 取初始点()0,5T 。 四、考虑约束优化问题 ()221212min 4..3413f x x x s t x x =++≥ 用两种惩罚函数法求解。 五.用牛顿法求解二次函数 222123123123()()()()f x x x x x x x x x x =-++-++++- 的极小值。初始点011,1,22T x ??= ???。 六、证明题 1.对无约束凸规划问题1min ()2 T T f x x Qx c x =+,设从点n x R ∈出发,沿方向n d R ∈ 作最优一维搜索,得到步长t 和新的点y x td =+ ,试证当1T d Q d = 时, 22[() ()]t f x f y =-。 2.设12*** *3(,,)0T x x x x =>是非线性规划问题()112344423min 23..10f x x x x s t x x x =++++=的最优解,试证*x 也 是非线性规划问题 144423* 123min ..23x x x s t x x x f ++++=的最优解,其中****12323f x x x =++。 机器学习中常见的几种优化方法 阅读目录 1. 梯度下降法(Gradient Descent) 2. 牛顿法和拟牛顿法(Newton's method & Quasi-Newton Methods) 3. 共轭梯度法(Conjugate Gradient) 4. 启发式优化方法 5. 解决约束优化问题——拉格朗日乘数法 我们每个人都会在我们的生活或者工作中遇到各种各样的最优化问题,比如每个企业和个人都要考虑的一个问题“在一定成本下,如何使利润最大化”等。最优化方法是一种数学方法,它是研究在给定约束之下如何寻求某些因素(的量),以使某一(或某些)指标达到最优的一些学科的总称。随着学习的深入,博主越来越发现最优化方法的重要性,学习和工作中遇到的大多问题都可以建模成一种最优化模型进行求解,比如我们现在学习的机器学习算法,大部分的机器学习算法的本质都是建立优化模型,通过最优化方法对目标函数(或损失函数)进行优化,从而训练出最好的模型。常见的最优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯 度法等等。 回到顶部 1. 梯度下降法(Gradient Descent) 梯度下降法是最早最简单,也是最为常用的最优化方法。梯度下降法实现简单,当目标函数是凸函数时,梯度下降法的解是全局解。一般情况下,其解不保证是全局最优解,梯度下降法的速度也未必是最快的。梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向,因为该方向为当前位置的最快下降方向,所以也被称为是”最速下降法“。最速下 降法越接近目标值,步长越小,前进越慢。梯度下降法的搜索迭代示意图如下图所示: 牛顿法的缺点: (1)靠近极小值时收敛速度减慢,如下图所示; (2)直线搜索时可能会产生一些问题; (3)可能会“之字形”地下降。 从上图可以看出,梯度下降法在接近最优解的区域收敛速度明显变慢,利用梯度下降法求解需要很多次的迭代。 在机器学习中,基于基本的梯度下降法发展了两种梯度下降方法,分别为随机梯度下降法和批量梯度下降法。 基于粒子群算法的神经网络在电液伺服系统中的应用 摘要:由于人工神经网络在解决具有非线性、不确定性等系统的控制问题上具有极大的潜力,因而在控制领域正引起人们的极大关注,并且已在一些响应较慢的过程控制中获得成功应用。由于电液伺服系统属 于非线性系统,因此本文利用神经网络控制电液伺服系统,并利用粒子群优化算法训练该神经网络的 权值。通过对神经网络的优化实现对电液伺服系统的控制。 关键词:神经网络电液伺服系统粒子群算法优化 近年来,由于神经网络具有大规模并行性、冗余性、容错性、本质的非线性及自组织自学习自适应能力,所以已成功地应用于众多领域。但在具有复杂非线性特性的机电设备的实时控制方面,虽然也有一些神经网络技术的应用研究,但距实用仍有一段距离。电液伺服系统就属于这类设备[1]。 神经网路在用于实时控制时,主要是利用了网络所具有的其输人——输出间的非线性映射能力。它实际上是通过学习来逼近控制对象的动、静态特性。也就是构造实际系统的神经网络模型[2]。本文利用神经网络控制一电液伺服系统,并利用粒子群优化算法训练该神经网络的权值,将结果与BP神经网络控制该系统的结果进行比较。从而得在电液伺服系统中引入神经网络是可行的。 1、粒子群算法 粒子群优化算法(Particle Swarm optimization, PSO)是一种进化计算技术, 由Eberhart博士和kennedy博士发明, 源于对鸟群捕食的行为研究, 粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解[3]。算法最初受到飞鸟和鱼类集群活动的规律性启发,利用群体智能建立了一个简化模型,用组织社会行为代替了进化算法的自然选择机制,通过种群间个体协作来实现对问题最优解的搜索[4]。 在找到这两个最优值时, 粒子根据如下的公式来更新自己的速度和新的位置 v[]=v[]+c1*rand()*(pbest[]-present[]) + c2*rand()*(gbest[]-present[]) present[]=persent[]+v[] 式中ω为惯性权重,ω取大值可使算法具有较强的全局搜索能力,ω取小值则算法倾向于局部搜索。一般的做法是将ω初始取0.9并使其随迭代次数的增加而线性递减至0.4,这样就可以先侧重于全局搜索,使搜索空间快速收敛于某一区域,然后采用局部精细搜索以获得高精度的解;c1、c2为两个学习因子,一般取为2;randl和rand2为两个均匀分布在(0,l)之间的随机数;i=1,2,?,m;k=1,2,?,d。另外,粒子在每一维的速度Vi都被一个最大速度Vmax所限制。如果当前粒子的加速度导致它在某一维的速度 超过该维上的最大速度Vmax,则该维的速度被限制为最大速度[5]。 粒子群算法流程如下: (一)初始化粒子群。设群体规模为m,在允许的范围内随机设置粒子的初始位置和速 度。 (二)评价每个粒子的适应值。 (三)调整每一个粒子的位置和速度。 (四)如果达到最大迭代次数genmax或误差达到最初设定数值终止迭代,否则返回(2)。 2、神经网络 神经网络一般由输入层、隐含层、输出层组成。对于输入信号,先向前传播到隐节点,经过节点作用函数后,再把隐节点的输出信息传播到输出节点,最后输出结果。节点的作用函数通常选取S 型函数f(x)=1/(1+e-x)。神经网络算法的学习过程分为正 惯性导航基础课程大作业报告(一)光纤陀螺误差建模与分析 班级:111514 姓名: 学号 2014年5月26日 一.系统误差原理图 二.系统误差的分析 (一)漂移引起的系统误差 1. εx ,εy ,εz 对东向速度误差δVx 的影响 clc;clear all; t=1:0.01:25; g=9.8; L=pi/180*39; Ws=2*pi/84.4*60; Wie=2*pi/24; R=g/(Ws)^2; e=0.1*180/pi; mcVx1=e*g*sin(L)/(Ws^2-Wie^2)*(sin(Wie*t)-Wie*sin(Ws*t)/Ws); mcVx2=e*((Ws^2-(Wie^2)*((cos(L))^2))/(Ws^2-Wie^2)*cos(Ws*t)-(Ws^2)*((sin(L))^2)*cos(Wi e*t)/(Ws^2-Wie^2)-(cos(L))^2); mcVx3=(sin(L))*(cos(L))*R*e*((Ws^2)*cos(Wie*t)/(Ws^2-Wie^2)-(Wie^2)*cos(Ws*t)/(Ws^2-Wi e^2)-1); plot(t,[mcVx1',mcVx2',mcVx3']); title('Ex,Ey,Ez 对Vx 的影响'); xlabel('时间t'); ylabel('Vx(t)'); 0,δλδL ,v v δδ legend('Ex-mcVx1','Ey-mcVx2','Ez-mcVx3'); grid; axis square; 分析:εx,εy,εz对东向速度误差δVx均有地球自转周期的影响,εx,εy还会有舒勒周期分量的影响,其中,εy对δVx的影响较大。 2.εx,εy,εz对东向速度误差δVy的影响 clc;clear all; t=1:0.01:25; g=9.8; L=pi/180*39; Ws=2*pi/84.4*60; Wie=2*pi/24; R=g/(Ws)^2; e=0.1*180/pi; mcVy1=e*g*(cos(Wie*t)-cos(Ws*t))/(Ws^2-Wie^2); mcVy2=g*sin(L)*e/(Ws^2-Wie^2)*(sin(Wie*t)-Wie/Ws*sin(Ws*t)); mcVy3=g*cos(L)*e/(Ws^2-Wie^2)*(sin(Wie*t)-Wie/Ws*sin(Ws*t)); plot(t,[mcVy1',mcVy2',mcVy3']); title('Ex,Ey,Ez对Vy的影响'); xlabel('时间t'); ylabel('Vy(t)'); legend('Ex-mcVy1','Ey-mcVy2','Ez-mcVy3'); grid; axis square; 天津大学《最优化方法》复习题(含答案) 第一章 概述(包括凸规划) 一、 判断与填空题 1 )].([arg )(arg min max x f x f n n R x R x -=∈∈ √ 2 {}{} .:)(m in :)(m ax n n R D x x f R D x x f ?∈-=?∈ ? 3 设.:R R D f n →? 若n R x ∈*,对于一切n R x ∈恒有)()(x f x f ≤*,则称*x 为最优化问题)(min x f D x ∈的全局最优解. ? 4 设.:R R D f n →? 若D x ∈*,存在*x 的某邻域)(*x N ε,使得对一切)(*∈x N x ε恒有)()(x f x f <*,则称*x 为最优化问题)(min x f D x ∈的 严格局部最优解. ? 5 给定一个最优化问题,那么它的最优值是一个定值. √ 6 非空集合n R D ?为凸集当且仅当D 中任意两点连线段上任一点属于D . √ 7 非空集合n R D ?为凸集当且仅当D 中任意有限个点的凸组合仍 属于D . √ 8 任意两个凸集的并集为凸集. ? 9 函数R R D f n →?:为凸集D 上的凸函数当且仅当f -为D 上的凹函数. √ 10 设R R D f n →?:为凸集D 上的可微凸函数,D x ∈*. 则对D x ∈?,有).()()()(***-?≤-x x x f x f x f T ? 11 若)(x c 是凹函数,则}0)( {≥∈=x c R x D n 是凸集。 √ 12 设{}k x 为由求解)(min x f D x ∈的算法A 产生的迭代序列,假设算法 A 为下降算法,则对{} ,2,1,0∈?k ,恒有 )()(1k k x f x f ≤+ . 13 算法迭代时的终止准则(写出三种):_____________________________________。 14 凸规划的全体极小点组成的集合是凸集。 √ 15 函数R R D f n →?:在点k x 沿着迭代方向}0{\n k R d ∈进行精确一维线搜索的步长k α,则其搜索公式 常用无约束最优化方法评价准则 方法算法特点适用条件 最速下降法属于间接法之一。方法简便,但要计算一阶偏导 数,可靠性较好,能稳定地使函数下降,但收敛 速度较慢,尤其在极点值附近更为严重 适用于精度要求不高或用于对 复杂函数寻找一个好的初始 点。 Newton法属于间接法之一。需计算一、二阶偏导数和Hesse 矩阵的逆矩阵,准备工作量大,算法复杂,占用 内存量大。此法具有二次收敛性,在一定条件下 其收敛速度快,要求迭代点的Hesse矩阵必须非 奇异且定型(正定或负定)。对初始点要求较高, 可靠性较差。 目标函数存在一阶\二阶偏导 数,且维数不宜太高。 共轭方向法属于间接法之一。具有可靠性好,占用内存少, 收敛速度快的特点。 适用于维数较高的目标函数。 变尺度法属于间接法之一。具有二次收敛性,收敛速度快。 可靠性较好,只需计算一阶偏导数。对初始点要 求不高,优于Newton法。因此,目前认为此法是 最有效的方法之一,但需内存量大。对维数太高 的问题不太适宜。 适用维数较高的目标函数 (n=10~50)且具有一阶偏导 数。 坐标轮换法最简单的直接法之一。只需计算函数值,无需求 导,使用时准备工作量少。占用内存少。但计算 效率低,可靠性差。 用于维数较低(n<5)或目标函 数不易求导的情况。 单纯形法此法简单,直观,属直接法之一。上机计算过程 中占用内存少,规则单纯形法终止条件简单,而 不规则单纯形法终止条件复杂,应注意选择,才 可能保证计算的可靠性。 可用于维数较高的目标函数。 常用约束最优化方法评价标准 方法算法特点适用条件 外点法将约束优化问题转化为一系列无约束优化问题。 初始点可以任选,罚因子应取为单调递增数列。 初始罚因子及递增系数应取适当较大值。 可用于求解含有等式约束或不等 式约束的中等维数的约束最优化 问题。 内点法将约束优化问题转化为一系列无约束优化问题。 初始点应取为严格满足各个不等式约束的内点, 障碍因子应取为单调递减的正数序列。初始障碍 因子选择恰当与否对收敛速度和求解成败有较大 影响。 可用于求解只含有不等式约束的 中等维数约束优化问题。 混合罚函数法将约束优化问题转化为一系列无约束优化问题, 用内点形式的混合罚函数时,初始点及障碍因子 的取法同上;用外点形式的混合罚函数时,初始 点可任选,罚因子取法同外点法相同。 可用于求解既有等式约束又有不 等式约束的中等维数的约束化问 题。 约束坐标轮换法由可行点出发,分别沿各坐标轴方向以加步探索 法进行搜索,使每个搜索点在可行域内,且使目 标函数值下降。 可用于求解只含有不等式约束, 且维数较低(n<5),目标函数的 二次性较强的优化问题。 复合形法在可行域内构造一个具有n个顶点的复合形,然 后对复合形进行映射变化,逐次去掉目标函数值 最大的顶点。 可用于求解含不等式约束和边界 约束的低维优化问题。 第一、填空题 1.组成优化设计的数学模型的三要素是 设计变量 、目标函数 和 约束条件 。 2.可靠性定量要求的制定,即对定量描述产品可靠性的 参数的选择 及其 指标的确定 。 3.多数产品的故障率随时间的变化规律,都要经过浴盆曲线的 早期故障阶段 、 偶然故障阶段 和 耗损故障阶段 。 4.各种产品的可靠度函数曲线随时间的增加都呈 下降趋势 。 5.建立优化设计数学模型的基本原则是在准确反映 工程实际问题 的基础上力求简洁 。 6.系统的可靠性模型主要包括 串联模型 、 并联模型 、 混联模型 、 储备模型 、 复杂系统模型 等可靠性模型。 7. 函数f(x 1,x 2)=2x 12 +3x 22-4x 1x 2+7在X 0=[2 3]T 点处的梯度为 ,Hession 矩阵为 。 (2.)函数()22121212,45f x x x x x x =+-+在024X ??=????点处的梯度为120-?? ????,海赛矩阵为2442-???? -?? 8.传统机械设计是 确定设计 ;机械可靠性设计则为 概率设计 。 9.串联系统的可靠度将因其组成单元数的增加而 降低 ,且其值要比可靠 度 最低 的那个单元的可靠度还低。 10.与电子产品相比,机械产品的失效主要是 耗损型失效 。 11. 机械可靠性设计 揭示了概率设计的本质。 12. 二元函数在某点处取得极值的充分条件是()00f X ?=必要条件是该点处的海赛矩阵正定。 13.对数正态分布常用于零件的 寿命疲劳强度 等情况。 14.加工尺寸、各种误差、材料的强度、磨损寿命都近似服从 正态分布 。 15.数学规划法的迭代公式是 1k k k k X X d α+=+ ,其核心是 建立搜索方向, 模型求解 两方面的内容。 17.无约束优化问题的关键是 确定搜索方向 。 18.多目标优化问题只有当求得的解是 非劣解 时才有意义,而绝对最优解存在的可能性很小。 19.可靠性设计中的设计变量应具有统计特征,因而认为设计手册中给出的数据 项目三 常用无约束最优化方法(一) [实验目的] 编写最速下降法、Newton 法(修正Newton 法)的程序。 [实验学时] 2学时 [实验准备] 1.掌握最速下降法的思想及迭代步骤。 2.掌握Newton 法的思想及迭代步骤; 3.掌握修正Newton 法的思想及迭代步骤。 [实验内容及步骤] 编程解决以下问题:【选作一个】 1.用最速下降法求 22120min ()25[22]0.01T f X x x X ε=+==,,,. 2.用Newton 法求 22121212min ()60104f X x x x x x x =--++-, 初始点 0[00]0.01T X ε==,,. 最速下降法 Matlab 程序: clc;clear; syms x1 x2; X=[x1,x2]; fx=X(1)^2+X(2)^2-4*X(1)-6*X(2)+17; fxd1=[diff(fx,x1) diff(fx,x2)]; x=[2 3]; g=0; e=0.0005; a=1; fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); step=0; while g>e step=step+1; dk=-fan; %点x(k)处的搜索步长 ak=((2*x(1)-4)*dk(1)+(2*x(2)-6)*dk(2))/(dk(1)*dk(2)-2*dk(1)^2-2*dk(2)^2); xu=x+ak*dk; x=xu; %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf(' x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); %计算目标函数点x(k+1)处一阶导数值 fan=subs(fxd1,[x1 x2],[x(1) x(2)]); g=0; for i=1:length(fan) g=g+fan(i)^2; end g=sqrt(g); end %输出结果 optim_fx=subs(fx,[x1 x2],[x(1) x(2)]); fprintf('\n最速下降法\n结果:\n x=[ %d %d ] optim_fx=%d\n',x(1),x(2),optim_fx); c++程序 #include 武工院你们懂的 1.用薄钢板制造一体积5m 3,长度不小于4m ,无上盖的货箱,要求钢板耗量最小。确定货箱的长x 1、宽x 2和高x 3。试列出问题的数学模型。 解:min 32312122x x x x x x z ++= s.t 5321=x x x 41≥x 0,,321≥x x x 2.将下面的线性规划问题表示为标准型并用单纯形法求解 max f=x 1+2x 2+x 3 s .t .2x 1+x 2-x 3≤2 -2x 1+x 2-5x 3≥-6 4x 1+x 2+x 3≤6 x i ≥0 i=1,2,3 解:先化标准形: Min 321x x x z -+= 224321=+-+x x x x 6525321=++-x x x x 646321=+++x x x x 列成表格: 00001216 100114 60105122001112----- 可见此表已具备1°,2°,3°三个特点,可采用单纯形法。首先从底行中选元素-1,由2/2,6/2,6/4最小者决定选第一行第一列的元素2,标以记号,迭代一次得 0000 1 2 121023 10 40116201002 1 21 211-------- 再从底行中选元素-2/3,和第二列正元素1/2,迭代一次得 1 002 1232 30210231 040116201002121211-- ----- 再从底行中选元素-3,和第二列正元素2,迭代一次得 4002 3 03410120280114042001112--- 再迭代一次得 10 23021 062 21023 1010 213 000421 2 10 13- - 选取最优解: 01=x 42=x 23=x 3. 试用DFP 变尺度法求解下列无约束优化问题。 min f (X )=4(x 1-5)2+(x 2-6)2 取初始点X=(8,9)T ,梯度精度ε=0.01。 解:取I H =0,初始点()T X 9,8= 2221)6()5(4)(-+-=x x x f ??????--=?122408)(21x x x f ???? ??=?624)() 0(x f T x f d )6,24()()0()0(--=-?= )0(0)0()1(d x x α+= T )69,248(00αα--= ])669()5248(4min[)(min 2020)0(0)0(--+--?=+αααd x f )6()63(2)24()2458(8) (00)0(0)0(=-?-+-?--=+ααααd d x df 13077.013017 0≈= α ???? ??=???? ??--?+???? ??=21538.886153.462413077.098)1(x 目标:使用带双步位移的QR 分解法求矩阵10*10[]ij A a =的全部特征值,并对其中的每一个实特征值求相应的特征向量。已知:sin(0.50.2)() 1.5cos( 1.2)(){i j i j ij i j i j a +≠+== (i,j=1,2, (10) 算法: 以上是程序运作的逻辑,其中具体的函数的算法,大部分都是数值分析课本上的逻辑,在这里特别写出矩阵A 的实特征值对应的一个特征向量的求法: ()[]()() []()[]()111111I 00000 i n n n B A I gause i n Q A I u Bu u λλ-?-?-=-?-?? ?-=????→=??????→= ?? ? 选主元的消元 检查知无重特征值 由于=0i A I λ- ,因此在经过选主元的高斯消元以后,i A I λ- 即B 的最后一行必然为零,左上方变 为n-1阶单位矩阵[]()()11I n n -?-,右上方变为n-1阶向量[]()11n Q ?-,然后令n u 1=-,则 ()1,2,,1j j u Q j n ==???-。 这样即求出所有A所有实特征值对应的一个特征向量。 #include 《最优化方法》复习题 第一章 引论 一、 判断与填空题 1 )].([arg )(arg m in m ax x f x f n n R x R x -=∈∈ √ 2 {}{}.:)(min :)(max n n R D x x f R D x x f ?∈-=?∈ ? 3 设.:R R D f n →? 若n R x ∈*,对于一切n R x ∈恒有)()(x f x f ≤*,则称*x 为最优化问题 )(min x f D x ∈的全局最优解. ? 4 设.:R R D f n →? 若D x ∈*,存在*x 的某邻域)(*x N ε,使得对一切)(*∈x N x ε恒有)()(x f x f <*,则称*x 为最优化问题)(min x f D x ∈的严格局部最 优解. ? 5 给定一个最优化问题,那么它的最优值是一个定值. √ 6 非空集合n R D ?为凸集当且仅当D 中任意两点连线段上任一点属于D . √ 7 非空集合n R D ?为凸集当且仅当D 中任意有限个点的凸组合仍属于D . √ 8 任意两个凸集的并集为凸集. ? 9 函数R R D f n →?:为凸集D 上的凸函数当且仅当f -为D 上的凹函数. √ 10 设R R D f n →?:为凸集D 上的可微凸函数,D x ∈*. 则对D x ∈?,有).()()()(***-?≤-x x x f x f x f T ? 11 若)(x c 是凹函数,则}0)( {≥∈=x c R x D n 是凸集。 √ 12 设{}k x 为由求解)(min x f D x ∈的算法A 产生的迭代序列,假设算法A 为单调下降算 法,则对{} ,2,1,0∈?k ,恒有 )()(1k k x f x f ≤+ . SEO搜索引擎优化常用方法 作者:葬爱来源:https://www.360docs.net/doc/ce17569414.html, 时间:2012-8-12 最近听很多人说,seo也就是那么一会儿事,每天发发外链,写写文章也就够了。但是今天我想说的是,seo技术并不是简单。大局观的优化方略才是最重要的。 网站结构、关键词布局、代码精简、日志分析等等,当然外链和原创内容页绝对必不可少的。 下面具体分享一下一些做优化的一些常见的二部曲。 一、分析竞争对手 1.分析你的竞争对手为什么排在你前面或者后面。如果在你前面,分析他比你多做了哪些东西,如果你没有就赶紧补上。同时分析竞争对手网站的缺憾,你同时进行弥补。这是常见的做法。 2.采用有特色的推广方法。比如适当的做一做jingjia也是有利于优化的。同时一些心思维,如利用起网站用户对网站的推广。这样才是最有效的。用户上去了,优化液自然会上去。 二、弥补自身的优化不足 自己的网站必须要最好,才是根本,如果竞争对手的网站排在你后面,那更要注意了。一旦放松,就是别人的机会。下面笔者分享一下自身优化的一些东西。 1.分析关键词。我相信,很多人都是先选关键词,再做站。整个站都围绕这个关键词,那么排名自然会好一点。同时关键词 应该与网站的内容相关,不要选择不相关的。关键词使用的时候也要注意英文逗号或者下划线的隔开。 2.生成静态。学了一段四件后,看到很多人说生成静态和动态都差不多。理由是搜索引擎不断进步,已经可以抓取动态内容。同时不论是对于百度还是对于google来说,我相信不会弱智到是动态的就不收录。很多厉害的网站都是动态的,但也很不错。但是百度给出的优化指南明确说明了最好网站静态化,可见百度其实也希望站长们将自己的网站静态化。或许百度这个问题没有彻底解决。同时,一个纯HTML页面绝对比动态页面打开速度快。用户体验上来说,也是好的。 3.div+css。同样,table书写的网站百度收录照样也快。但我个人趋向于div,为什么?因为这样更快,理由就同二了。但是div不要太多层的嵌套,目前百度的技术还不足以抓取嵌套次数太多的内容。 4.注意Meat标签。这个几乎是我现在看一个网站优化最先看的东西,虽说搜索引擎已经开始降低meta标签的影响,但是我觉得还是很重要。 5.打造好你的友链。这个主要就靠一些站长群了。你如果没有这些群,最起码要有一群拥有比较高权重的站长朋友。老站带新站,新站成长速度会快很多。建议大家要建立一些网站群,利用互相带动的方法,去推动你的网站发展。友链的重要性,不言而喻。同时友链也要注意甑别对自己网站的好坏。 function [x,dk,k]=fjqx(x,s) flag=0; a=0; b=0; k=0; d=1; while(flag==0) [p,q]=getpq(x,d,s); if (p<0) b=d; d=(d+a)/2; end if(p>=0)&&(q>=0) dk=d; x=x+d*s; flag=1; end k=k+1; if(p>=0)&&(q<0) a=d; d=min{2*d,(d+b)/2}; end end %定义求函数值的函数fun,当输入为x0=(x1,x2)时,输出为f function f=fun(x) f=(x(2)-x(1)^2)^2+(1-x(1))^2; function gf=gfun(x) gf=[-4*x(1)*(x(2)-x(1)^2)+2*(x(1)-1),2*(x(2)-x(1)^2)]; function [p,q]=getpq(x,d,s) p=fun(x)-fun(x+d*s)+0.20*d*gfun(x)*s'; q=gfun(x+d*s)*s'-0.60*gfun(x)*s'; 结果: x=[0,1]; s=[-1,1]; [x,dk,k]=fjqx(x,s) x =-0.0000 1.0000 dk =1.1102e-016 k =54 function f= fun( X ) %所求问题目标函数 f=X(1)^2-2*X(1)*X(2)+2*X(2)^2+X(3)^2+ X(4)^2- X(2)*X(3)+2*X(1)+3*X(2)-X(3); end function g= gfun( X ) %所求问题目标函数梯度 g=[2*X(1)-2*X(2)+2,-2*X(1)+4*X(2)-X(3)+3,2*X(3)-X(2)-1,2*X(4)]; end function [ x,val,k ] = frcg( fun,gfun,x0 ) %功能:用FR共轭梯度法求无约束问题最小值 %输入:x0是初始点,fun和gfun分别是目标函数和梯度 %输出:x、val分别是最优点和最优值,k是迭代次数 maxk=5000;%最大迭代次数 rho=0.5;sigma=0.4;北航最优化方法大作业参考
《最优化方法》复习题(含答案)
最优化方法大作业答案
好手段促高效
最优化方法大作业
最优化方法试题
机器学习中常见的几种优化方法
最优化原理大作业
北航惯性导航大作业
天津大学《最优化方法》复习题(含答案)
常用最优化方法评价准则
(完整版)机械优化设计试卷期末考试及答案
常用无约束最优化方法(一)
最优化方法大作业答案
北航数值分析大作业第二题精解
修订过的最优化方法复习题
SEO搜索引擎优化常用方法
大连理工优化方法大作业MATLAB编程