非线性规划-KT条件

合集下载

非线性规划

非线性规划

(2)
将问题()转化为无约束问题: 1 min T X,M n
X R
(3)
其中T(X,M)称为罚函数,M称为罚因子,带M的项称为罚项, 这里的罚函数只对不满足约束条件的点实行惩罚:当 X D 时,满足 各 gi X 0, hi X = 0 ,故罚项为0,不受惩罚.当 X D 时,必 有约束条件 gi X 0或hi X 0 ,故罚项大于0,要受惩罚.
(6) [x,fval]= fmincon(…) (7) [x,fval,exitflag]= fmincon(…) (8)[x,fval,exitflag,output]= fmincon(…)
1.二次规划
标准型为: min Z= 1 XTHX+cTX
2
s.t. AX≤b
Aeq X = beq
VLB≤X≤VUB
用MATLAB软件求解,其输入格式如下: 1.x=quadprog(H,C,A,b); 2.x=quadprog(H,C,A,b,Aeq,beq); 3.x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB); 4.x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0); 5.x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB,X0,options); 6.[x,fval]=quaprog(…); 7.[x,fval,exitflag]=quaprog(…); 8.[x,fval,exitflag,output]=quaprog(…);
s.t.
1 1
x1 x2
2.输入命令:
H=[1 -1; -1 2]; c=[-2 ;-6];A=[1 1; -1 2];b=[2;2]; Aeq=[];beq=[]; VLB=[0;0];VUB=[]; [x,z]=quadprog(H,c,A,b,Aeq,beq,VLB,VUB)

KT_条件_非线性求极值

KT_条件_非线性求极值

定理: 问题( fgh),x S {x | g ( x) 0, h( x) 0}, I为起作用集。

设g i ( x)(i I )在x 可微, g i ( x)(i I )在x 连续,h j,(j 1,2, , l) 在x 的某邻域内连续可微。(CQ, 约束规格)。 向量组{,g i ( x )(i I ), , h1 ( x ), , hl ( x )}线性无关。
1

1
称rN N f
T
T
( x) B f
T
( x) B
N为既约梯度
第六章
寻找下降可行方向:d (1) d为可行方向 d
6.2 既约梯度法
第六章
6.1 Kuhn-Tucker 条件
二、不等式约束问题的Khun-Tucker条件: (续) 可能的K-T点出现在下列情况: ①两约束曲线的交点:g1与g2,g1与g3,g1与g4,g2与g3,g2与g4,g3与 g4。 ②目标函数与一条曲线相交的情况: g1,g2, g3, g4 对每一个情况求得满足(1)~(6)的点(x1,x2)T及乘子u1,u2,u3,u4,验 证当满足可得,且ui≥ 0时,即为一个K-T点。 下面举几个情况: ● g1与g2交点:x=(2,1)T∈S ,I={1,2} 则u3=u4=0 解
第六章

g3=0 x2
▽g2(x*)
-▽f(x*) (3,2)T
2 1
x*
▽g1(x*)
1
2 3 g1=0
4
g4=0 x1 g2=0
6.1 Kuhn-Tucker 条件 二、不等式约束问题的Khun-Tucker条件: (续)
在x 点 g 1 ( x1 , x 2 ) 0 g 2 ( x1 , x 2 ) 0

约束非线性规划PPT课件

约束非线性规划PPT课件

(3 )一般 设 { 情 g i(x *|况 i) I(x * : }线 ) 性无关
则存在非 i(i 负 I(x*实 ))使 , 数 得
f(x* ) i gi(x* )0
(2)
i I(x*)
(2) 式可改写为
l
f (x*) igi (x*) 0
i 1
(3)
i gi (x*) 0, i 0, i 1,2,,l
j1
7
(2)不等式约束极值问题的最优性条件
min f (x) s.t. g(x) 0 (1 )
可行 Q 域 {x|g(为 x)0}。
①可行方向与积极约束: 可行方向:
g1(x)0
x0 d1 d2
x1 d1 d2
g2(x)0
设x0Q, d为 一 个 向 量实 。数 如 0果 ,存 在
使 得 对 任 [意 0,]的 有x0dQ,则 称 d为x0处 的
g1(x*)
g1(x)0 x*
f (x*)
则 f ( x 有 * ) g 1 ( x * , ) 0 。
即 f(x * ) g 1 (x * 0 ) 。
14
(2)如I果 (x*中 ) 有两个指 g1(x)和 标 g2(x, )为不 积妨 极设 并 设 g1(x*和 ) g2(x*线 ) 性无关。
2 0
21
x11
1 3
3 3
x130 3x10
这与 30矛盾。
x1 1 2 3
x2 1 3 3
(4 )若 x 1 0 ,x 2 0 :
230
xx12
1 1
3 3
x1x2
1( x1
x2 4) 2x1 0
0
3x2 0
x1 x2 4 0

KT条件非线性求极值.

KT条件非线性求极值.

计算可得 f ( x * )
1 3
* u1
1 3
* u2 2 3
2 3
使
g 1 ( x )
g 2 ( x ) 0
用K-T条件求解:
2( x1 3) 2 x1 f ( x ) , g ( x ) 1 2( x 2) 2x 2 2 1 0 g 3 ( x ) , g 4 0 1 1 , g ( 2 ) 2 2
这里 x* ---l.opt. ▽f(x*)与 ▽h(x*) 共线,而ㄡ非l.opt. ▽f(ㄡ )与▽h(ㄡ )不共线。
ㄡ ▽h(ㄡ )
最优性条件即:
▽h(x*)
f ( x*) * j h j ( x*)
j 1
h
6.1 Kuhn-Tucker 条件 二、不等式约束问题的Khun-Tucker条件: 考虑问题 min f(x) (fg) s.t. gi(x) ≤0 i=1,2, …,m 设 x*∈S={x|gi(x) ≤0 i=1,2, …,m} 令 I={i| gi(x*) =0 i=1,2, …,m} 称I为 x*点处的起作用集(紧约束集)。 如果x*是l.opt. ,对每一个约束函数来说,只有当它是起作用约 束时,才产生影响,如:
g2(x)=0 x* g1(x)=0
第六章
g1(x*)=0, g1为起作用约束
第六章
6.1 Kuhn-Tucker 条件
二、不等式约束问题的Khun-Tucker条件: (续) 特别 有如下特征:如图
-▽f(ㄡ ) X* -▽f(x*)
▽g(x*)
▽g(ㄡ )
在x* : ▽f(x*)+u* ▽g(x*)=0 u*>0 要使函数值下降,必须使g(x)值变大,则 在ㄡ 点使f(x)下降的方向(- ▽f(ㄡ ) 方向)指向约束集合内 部,因此ㄡ不是l.opt. 。

算法大全第03章-非线性规划

算法大全第03章-非线性规划

另外,由于 xi (i = 1,L, n ) 只取值 0 或 1,所以还有
xi (1 − xi ) = 0, i = 1,L, n.
最佳投资方案应是投资额最小而总收益最大的方案, 所以这个最佳投资决策问题归 结为总资金以及决策变量(取 0 或 1)的限制条件下,极大化总收益和总投资之比。因 此,其数学模型为:
max Q =
∑b x
i =1 n i
n
i
∑a x
s.t. 0 <
∑a x
i =1 i
i =1 n
i
i
i
≤A
xi (1 − xi ) = 0, i = 1,L, n.
上面例题是在一组等式或不等式的约束下,求一个函数的最大值(或最小值)问 题,其中至少有一个非线性函数,这类问题称之为非线性规划问题。可概括为一般形式
k k k
k
x k +1 = x k + t k p k 。
若x
k +1
已满足某种终止条件,停止迭代。
k +1 k
4° 以 x 代替 x ,回到 1°步。 1.5 凸函数、凸规划 设 f ( x ) 为定义在 n 维欧氏空间 E
(n)
中某个凸集 R 上的函数,若对任何实数
α (0 < α < 1) 以及 R 中的任意两点 x (1) 和 x ( 2 ) ,恒有 f (αx (1) + (1 − α ) x ( 2 ) ) ≤ αf ( x (1) ) + (1 − α ) f ( x ( 2 ) )
这里 t k ∈ R , p ∈ R , p
1 k n k
= 1 ,并且 p k 的方向是从点 x k 向着点 x k +1 的方向。式(1)

非线性规划理论与算法_图文

非线性规划理论与算法_图文
output = iterations: 2 funcCount: 9 stepsize: 1 algorithm: 'medium-scale: SQP, Quasi-Newton, line-search'
firstorderopt: [ ] cgiterations: [ ] lambda =
3、问题:
4、外点法(外部惩罚函数法)
(1)几何解释
(2)算法步骤(外点法):
(3)外点法框图
No
yes
(4)应注意的问题
例 :
(5)一般模型的外点法

算法步骤相同
(6)算法收敛性
5、内点法(障碍函数法) (1)集合结构
(2)算法思想
内点法(障碍函数法)的迭代点是在可行域点集内 部移动的,对接近可行域边界上的点施加越来越大的惩 罚,对可行域边界上的点施加无限大的惩罚,这好比边 界是一道障碍物,阻碍迭代点穿越边界。
内点法要求可行点集的内点集合非空,否则算法无法 运行。这样一来内点法只对不等式约束的优化问题才可能 有效。
(3)算法分析
(4)算法步骤(内点法):
内点法框图
No
yes
例 解
(5)算法收敛性: (6)罚函数法的缺点
(7)内、外点法的优缺点的比较
外点法
内点法
1.任意x(0)∈Rn
1. x(0)∈S 0(参阅P220讨论内点的选取)
二次规划问题(quadratic programming)的Matlab解
函数 quadprog
格式: x = quadprog(H,f,A,b) %其中H,f,A,b为标准形中的参数,x
为目标函数的最小值。
x = quadprog(H,f,A,b,Aeq,beq) %Aeq,beq满足等约束条件

数学规划的KT条件

数学规划的KT条件

淮北师范大学2011届学士学位论文数学规划的KT条件学院、专业数学科学学院数学与应用数学研究方向运筹学学生姓名杨传东学号20071101187指导教师姓名张发明指导教师职称副教授2011年4月10日数学规划的KT条件杨传东(淮北师范大学数学科学学院,淮北,235000)摘要数学规划理论包括线性规划理论和非线性规划理论两个主要分支,非线性规划问题的Kuhn-Tucker条件是数学规划论的一个重要结论,1951年P.Kuhn和A.W.Tucker提出了一般非线性规划问题的一阶必要条件,即Kuhn-Tucker条件,标志着非线性规划理论作为一个独立的数学分支被正式确立。

Kuhn-Tucker最优性条件是一个非线性规划问题能有最优化解法的一个必要和充分条件,同时也是解决存在不等式约束,尤其是非负约束条件下最优化的重要工具,因此对非线性规划中对Kuhn-Tucker最优化条件的深入研究,并研究其应用显得尤为必要。

其在数学和经济学中有着广泛的应用,本文首先分析了非线性规划问题的Kuhn-Tucker条件的数学基础,指出将数学结论直接引入经济学的不足.然后根据经济理论和数学模型的方法建立了一个新的非线性规划问题,并用数学分析和线性代数的有关理论证明了新问题的Kuhn-Tucker条件.同时还分别用Farkas 引理和非线性规划问题的Kuhn-Tucker定理证明了这个结果,并对这些证明做了比较分析.最终使得数学与经济学完美结合.关键词非线性规划,Kuhn-Tucker条件,最优性,经济学The KT Condition of the Mathematical ProgrammingYang Chuandong(School of Mathematical Science, Huaibei Normal University, Huaibei, 235000)AbstractKT optimality condition is well-known in nonlinear programming to gain the optimal solution. It is widely used in Mathematics and Economics. Firstly, this paper analyses the mathematical foundations of the Kuhn-Tucker condition of the nonlinear programming problems and points out the disadvantages of taking mathematic conclusions into Economics directly. Then according to economic theory and the method of the mathematical model, it establishes a new nonlinear programming problem and uses the knowledge of mathematical analysis and linear algebra to prove the Kuhn-Tucker condition of the new problem. At the same time, it uses the Farkas lemma and the Kuhn-Tucker theorem of the nonlinear programming problems to prove this conclusion and makes a comparing analysis with these proofs. At last, this paper gives an application of the new conclusion in nonlinear programming theory.Keywords nonlinear programming, Kuhn-Tucker condition,optimization, Economics目录引言 (1)一、预备知识 (1)1 一般的非线性规划问题 (1)2 凸集.凸函数与凸规划 (2)3 P的Kuhn-Tucker条件1 一般的非线性规划问题 (3)二、K UHN-T UCKER条件在经济学中的应用 (3)三、经济理论中的非线性规划问题 (4)四、E-P的K UHN-T UCKER条件 (6)1 术语与约定 (6)2 约束极值问题的Lagrange定理 (6)3 引理 (6)4 E-P的Kuhn-Tucker条件 (8)五、由F ARKAS引理证明E-P的K UHN-T UCKER条件 (9)1 Farkas引理 (9)2 引理 (10)六、E-P的K UHN-T UCKER条件的应用举例 (10)1,一般的线性规划问题及其Kuhn-Tucker条件 (10)2 LP的约束规范条件 (12)结束语 (14)参考文献 (15)致谢 (16)引言数学规划包括线性规划,非线性规划,二次规划,多目标规划等等。

第五章 非线性规划

第五章 非线性规划

• 由于 g x1, x2 0,故有
dg1 g1 g1 dy 0 dx1 x1 x2 dx1
g1 x1 dy g1 dx1 x2
17
等式约束的极值问题
dZ 0 dx1
g1 dZ f f x1 0 g1 dx1 x1 x2 x2 g1 x1 , x2 0
0
• 仿照一元函数,凡能使一阶偏导数同时为零的点, 均称为函数的驻点.
驻点
极值点
• 需要对该函数的海瑟矩阵进行判断
27
柯恩-塔克(K-T)最优性条件
• 思考题:
– 约束最优化问题的极小值是否满足必要性条件?原因? – 如何建立约束最优化问题局部极小值的必要性条件? (借鉴可行性方向法)
• 约束最优化问题局部最优点的判别条件: Kuhn-Tucker最优性条件
i 1, 2,, n
1
L g j S2 0 j j
j 1, 2,, m
2
L 2 j S j 0 S j
3
式中共有n+2m个方程式和n+2m个未知量 式(2)保证了gj≤0 式(3)表明λj和Sj至少有一个应为零
24
不等式约束的极值问题

由等式约束可以得出
x2 y x1
2
• 将其带入原问题,得 min Z f x1, y x1 • 原问题转化为无约束极值问题
16
等式约束的极值问题
• 目标函数
Z f x1, y x1
存在极值的必要条件
dZ f f dy 0 dx1 x1 x2 dx1
(k )
(k ) T T (k ) (k ) (k ) j
  1. 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. 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. 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)。

第三讲非线性规划§4约束极值问题(1)问题min(),{|()0,1,}jf XR X g X j l⎧⎨=≥=⎩<1>思路:有约束→无约束; 非线性→线性; 复杂→简;一、最优性条件1. 可行下降方向(有用约束,可行方向,下降方向) (1) 有用(效)约束设<1>式的(),()jf Xg X有一阶连续偏导设(0)X是一个可行解, 下一步考察时,要讨论约束.分析: 应有(0)(0)(0)()0()0()0j j j g X g X g X ⎧>⎪≥→⎨=⎪⎩ 若(0)()0j g X>,则在(0)()U X内,有()0j g X >, 此时各个方向均可选. 若(0)()0j g X =,则(0)X∈()0j g X =形成的边界, 影响下一步选向.1x 2x {|()0}R X g X =≥()f X ()0j g X =X故称()0j g X =是(0)X 点的有效约束. (2) 可行方向(对可行域来说) 设(0)X 为可行点, P 为某方向, 若存在00λ>, 使得(0)0,[0,]XP R λλλ+∈∈则称P 是(0)X 点的一个可行方向. (a) 可行方向P 与有效约束(0)()0j g X=的梯度(0)()j g X ∇关系是:(0)()0T j g X P ∇≥.记有效约束下标集(0){|()0,1}j J j g X j l ==≤≤ 若P 为(0)X 的可行方向, 则 存在00λ>, 使得当0[0,]λλ∈,有(0)(0)()()0,j j g X P g X j J λ+≥=∈从而(0)(0)0d ()()0,d j T j g X P g X P j J λλλ=+=∇≥∈见下图.(b)反之, 若(0)()0Tj g XP ∇>, 则P 必为可行方向.(0)(0)(0)()()()()T j j j g X P g X g X P o λλλ+=+∇+<1>对有效约束(0)()0j g X=,只要λ充分小,得(0)1()0g X =(0)2()0g X =(0)2()g X ∇(0)1()g X ∇P(0)X •(0)()0j g X P λ+≥, 所以P 是可行方向;<2>对无效约束(0)()0j g X >,同样只要λ充分小, 就有(0)()0j g X P λ+≥,故P 也是可行方向; 事实上, 对无效(0)()0j g X>,P ∀都是可行方向.(3) 下降方向(对目标函数来说) 设(0)XR ∈, 对某P 方向, 若在00[0,],0λλλ''∈>内, 有(0)(0)()()f X P f X λ+<则称P 是一个下降方向. 下降方向判定: 若(0)()0Tf XP ∇<,则P 是(0)X 的一个下降方向.因为(0)()()f X f X P λ=+(0)(0)()()()T f X f X P o λλ=+∇+,只要λ充分小, 都有(0)()()f X f X <.(4) 可行下降方向 若(0)XR ∈的某方向P 是可行方向+下降方向,则称P 是(0)X的可行下降方向.即 存在00λ>,当0[0,]λλ∈时,有(0)()0j g X P λ+≥且(0)(0)()()f X P f X λ+<,是继续寻优方向.讨论: (0)X 非极小值点⇔存在可行下降方向P ; (0)X极小值点⇔无可行下降方向P ;(可行但不下降,或下降不可行)定理(局部极(最)小必要条件)设X *是min (),{()0}i f X X g X ∈≥局部极小点,(),(),j f X g X j J ∈(有效约束下标集)在X *处可微, (),j g X j J ∉在X *处连续,则在X *处无可行下降方向P ,即不存在P , 使**()0,,()0,T j Tg X P j J f X P ⎧∇>∈⎨∇<⎩(**) 证 否则由(**)及前面的分析, 可找出可行下降点 →X *非局部极小值点→矛盾.如图 所示问题:min (),{|()0,1,}j f X R X g X j l ⎧⎨=≥=⎩<1>2. 库恩—塔克条件(局部最小的必要条件) 是非线性规划中最重要成果之一 (1) Gordan 引理(不加证明) 设12,,...,l A A A 是l 个n 维向量, 则1x 2x ()f X ∇()f X 1()g X *∇*P ∃/,使0,1,2,...,Tj A P j l <=⇔ 0j μ∃≥,不全为零, 使10lj j j A μ==∑.(不指向同侧的向量, 正组合为零)(如l =3,n =2)若同侧, 则有P (图a), 否则无P (图b),但可正组为0.3A 1A 2A P H ()a 3A 1A 2A P H ()b(2) Fritz John 定理设X *是<1>极小值点, ()f X 和()j g X 有一阶连续偏导数, 则存在不全为零的01,,...,l μμμ, 使⎧⎪⎨⎪⎩01()()0()0,1,2,...,0,1,2,...,l j j j j j j f X g X g X j l j lμμμμ**=*∇-∇===≥=∑ 证明 因X *是问题<1>的解, 故由定理4, 不存在可行下降方向P, 使()0()0,T T j f X P g X P j J **⎧∇<⎪⎨-∇<∈⎪⎩由Gordan 引理,存在不全为零非负数0,,j j J μμ∈使0()()0j j j Jf Xg X μμ**∈∇-∇=∑对无效约束j J ∉, 令0j μ=, 则()0j j g X μ*∇=从而有(对所有l )01()()0lj j j f X g X μμ**=∇-∇=∑ 且有 ()0,0,1,2,...,j j j g X j l μμ*=≥=, 证毕. 注1: 类似于条件极值的必要条件.注2 若00μ=,则有效约束的()j g X *∇正线性相关→同侧→有可行下降方向→X *非极值点.故一般设()j g X *∇线性无关→00μ>. 以上条件称为 Fritz John 条件, *X 称为Fritz John 点.(3) 必要条件 (库恩-塔克条件)设X *是<1>极小值点, ()f X 和()j g X 有一阶连续偏导,且有效约束梯度线性无关,则1,...,l μμ**∃, 使⎧⎪⎨⎪⎩1()()0()0,1,2,...,0,1,2,...,l j j j j j j f X g X g X j l j l μμμ***=***∇-∇===≥=∑<2> 证明 由Fritz John 引理, ()j g X *∇j J ∈线性无关得00μ>, 作00/0j μμμ*=>, 即得<2>.式<2>=库恩-塔克条件. 相应点=库恩-塔克点. 简称K-T 条件, K-T 点.对一般非线性规划min (),()0,1,()0,1,i j f X h X i m g X j l⎧⎪==⇒⎨⎪≥=⎩min (),()0,()0,1,()0,1,i i j f X h X h X i m g X j l ⎧≥⎪⎨-≥=⎪≥=⎩<3> 它的K-T 条件如下设X *是<3>极小值点, 相应函数有一阶连续偏导,且有效约束的()i h X *∇和(),j g X j J *∇∈线性无关,则12(,,...,)T m Γγγγ****∃=和1(,...,)T l M μμ***=, 使11()()()0()0,1,2,...,0,1,2,...,m l i i j j i j j j j f X h X g X g X j l j lγμμμ*****==***∇-∇-∇===≥=∑∑<4> 其中12,,...,m γγγ***,1,...,l μμ**称为广义Lagrange 乘子. 注1 对凸规划, K-T 条件也是充分的.设k X 为某可行解,若k X 是极小点,且1()0k g X =,和2()0k g X =, 则()()k f X ∇必与, 1()k g X ∇和2()k g X ∇同侧, 否则有可行下降方向.由1()k g X ∇和2()k g X ∇线性无关1122()()()k k f X g X g X μμ*∇=∇+∇ 即 1x 2x ()f X -∇()f X 1()0k g X =2()0k g X =()g X ∇()g X ∇1122()()()0k k f X g X g X μμ*∇-∇-∇=例10 用库恩-塔克条件解非线性规划 2max ()(4)16f x x x ⎧=-⎨≤≤⎩. 1()g X ∇()k X ()()k f X -∇86()1()0k g X =()2()0k g X =2()g X ∇R164解 变为 212min ()(4)()10()60f x x g x x g x x ⎧=--⎪=-≥⎨⎪=-≥⎩, 12()2(4),()1,()1f x x g x g x ∇=--∇=∇=-, 引入广义拉格朗日乘子12,μμ**, 则有所以1212122(4)0(1)0(6)0,0x x x μμμμμμ*********⎧---+=⎪-=⎪⎨-=⎪⎪≥⎩, 具体分析如下.若120,0,μμ**>>引出矛盾, 无解;若120,0μμ**>=:1x *=,点; ()9f x *=(1μ*=6) 若120,0μμ**==:4x *=,()0f x *=;若120,0μμ**=>:6x *=,()4f x *=(2μ*=4)所以最大值点1x *=, 最大值()9f x *=. 注: 2()(4)f x x =--非凸函数, 在[1,6]上有两个局部最小值点.还有一个”驻点”164附加例题(略)用K-T 条件解非线性规划2min ()(3)05f x x x ⎧=-⎨≤≤⎩. 解 212min ()(3),()0,()50f x x g x x g x x ⎧=-⎪=≥⎨⎪=-≥⎩,(是凸规划) 12()2(3),()1,()1f x x g x g x ∇=-∇=∇=-,所以1212122(3)00(5)0,0x x x μμμμμμ*********⎧--+=⎪=⎪⎨-=⎪⎪≥⎩, 具体分析如下. 若120,0,μμ**≠≠引出矛盾, 无解;若120,0,μμ**≠=解得10,6x μ**==-,非K-T 点; 若120,0,μμ**=≠解得15,4x μ**==-,非K-T 点; 若120,0,μμ**==解得3x *=,()0f x *=全局最小.习题4.1 已知非线性规划131212max ()(1)0,0f X x x x x x =⎧⎪--≥⎨⎪≥⎩的极大点为(1,0), 试(1) 转化目标函数后, 写出其K-T 条件;(2) 求出K-T 点..4.2 试用K-T 条件求解问题2min ()(4)16f X x x =-≤≤.。

相关文档
最新文档