《最优化方法》复习题(含答案)
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
《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 ϕ=+,其中:n f R R →二阶可导,,,n n x R d R t R ∈∈∈,试求()t ϕ''. 解 2()(),()()T T t f x td d t d f x td d ϕϕ'''=∇+=∇+.
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 ∀≥∀∈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∈≥=+,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+++=-+,
当λ充分接近1时,可使(1)()x x N x S δλλ+-∈,于是()((1))f x f x x λλ≤+-,矛盾.从而x 是全局最优解.
7、设n R S ⊆为非空凸集,R S f →:是具有一阶连续偏导数的凸函数,证明:x 是问题min ()x S
f x ∈的最优解的充要条件是:()()0,T f x x x x S ∇-≥∀∈.
证明 必要性.若x 为问题min ()x S
f x ∈的最优解.反设存在x S ∈,使得
()()0T f x x x ∇-<,则d x x =-是函数()f x 在点x 处的下降方向,这与x 为问题
min ()x S
f x ∈的最优解矛盾.故()()0,T f x x x x S ∇-≥∀∈.
充分性.若()()0,T f x x x x S ∇-≥∀∈.反设存在x S ∈,使得()()f x f x <.
(())()
((1))()
f x x x f x f x x f x λλλλ
λ
+--+--=
()(1)()()
()()0((0,1)f x f x f x f x f x λλλλ
+--≤
=-<∀,
因S 为凸集,f 在S 上可微,故令0λ+→,得
()()()()0T f x x x f x f x ∇-≤-<,这与已知条件矛盾,故x 是问题min ()x S
f x ∈的最
优解.
8、设函数()f x 具有二阶连续偏导数,k x 是()f x 的极小点的第k 次近似,利用
()f x 在点k x 处的二阶Taylor 展开式推导Newton 法的迭代公式为 211[()]()k k k k x x f x f x -+=-∇∇.
证明 由于()f x 具有二阶连续偏导数,故
21
()()()()()()()()2
T T k k k k k k f x x f x f x x x x x f x x x ϕ≈=+∇-+-∇-.
且2()k f x ∇是对称矩阵,因此()x ϕ是二次函数.为求()x ϕ的极小点,可令
()0x ϕ∇=,即2()()()0k k k f x f x x x ∇+∇-=,若2()k f x ∇正定,则上式解出的()
x ϕ的平稳点就是()x ϕ的极小点,以它作为()f x 的极小点的第1k +次近似,记为
1k x +,即211[()]()k k k k x x f x f x -+=-∇∇,这就得到了Newton 法的迭代公式.
9、叙述常用优化算法的迭代公式.
(1)0.618法的迭代公式:(1)(),
().
k k k k k k k k a b a a b a λτμτ=+--⎧⎨=+-⎩
(2)Fibonacci 法的迭代公式:11
1(),(1,2,,1)()
n k k
k k k n k n k k k k k n k F a b a F k n F a b a F λμ---+--+⎧
=+-⎪⎪=-⎨
⎪=+-⎪⎩
.
(3)Newton 一维搜索法的迭代公式: 1()
()
k k k k t t t t ϕϕ+'=-''. (4)最速下降法用于问题1min ()2
T
T f x x Qx b x c =
++的迭代公式: 1()()
()()()
T k k k k k T
k k f x f x x x f x f x Q f x +∇∇=-∇∇∇ (5)Newton 法的迭代公式:211[()]()k k k k x x f x f x -+=-∇∇. (6)共轭方向法用于问题1min ()2
T
T f x x Qx b x c =
++的迭代公式: 1()T k k
k k k T
k k
f x d x x d d Qd +∇=-. 10、已知线性规划:
123123123123123min ()2;..360,2210,20,,,0.f x x x x s t x x x x x x x x x x x x =-+⎧⎪++≤⎪⎪
-+≤⎨⎪+-≤⎪⎪≥⎩
(1)用单纯形法求解该线性规划问题的最优解和最优值; (2)写出线性规划的对偶问题; (3)求解对偶问题的最优解和最优值.
解 (1)引进变量456,,x x x ,将给定的线性规划问题化为标准形式:
123123412351236126min ()2;..360,2210,20,,,,0.f x x x x s t x x x x x x x x x x x x x x x =-+⎧⎪+++=⎪⎪
-++=⎨⎪+-+=⎪⎪≥⎩