《《机械优化设计》复习题 答案》由会员分享，可在线阅读，更多相关《《机械优化设计》复习题 答案（12页珍藏版）》请在金锄头文库上搜索。
1、机械优化设计复习题解答一、填空题1、用最速下降法求f(X)=100(x2- x12) 2+(1- x1) 2的最优解时，设X（0）-0.5,0.5T，第一步迭代的搜索方向为 -47,-50T。2、机械优化设计采用数学规划法，其核心一是寻找搜索方向，二是计算最优步长。3、当优化问题是凸规划的情况下，任何局部最优解就是全域最优解。4、应用进退法来确定搜索区间时，最后得到的三点，即为搜索区间的始点、中间点和终点，它们的函数值形成 高低高 趋势。5、包含n个设计变量的优化问题，称为 n 维优化问题。6、函数 的梯度为B。7、设G为nn对称正定矩阵，若n维空间中有两个非零向量d0，d1，满足(d0)TG
2、d1=0，则d0、d1之间存在共轭关系。8、 设计变量 、 目标函数 、 约束条件 是优化设计问题数学模型的基本要素。9、对于无约束二元函数，若在点处取得极小值，其必要条件是 f(x10,x20)=0 ，充分条件是 2f(x10,x20)=0正定 。10、 K-T 条件可以叙述为在极值点处目标函数的梯度为起作用的各约束函数梯度的非负线性组合。11、用黄金分割法求一元函数的极小点，初始搜索区间，经第一次区间消去后得到的新区间为 -2.36 10 。12、优化设计问题的数学模型的基本要素有设计变量、 目标函数 、 约束条件。13、牛顿法的搜索方向dk= ，其计算量大 ，且要求初始点在极小点 附近
3、位置。14、将函数f(X)=x12+x22-x1x2-10x1-4x2+60表示成的形式 12x1x22-1-12x1x2+-10-4x1x2+60 。15、存在矩阵H，向量 d1，向量 d2，当满足d1THd2=0，向量 d1和向量 d2是关于H共轭。16、采用外点法求解约束优化问题时，将约束优化问题转化为外点形式时引入的惩罚因子r数列，具有单调递增特点。17、采用数学规划法求解多元函数极值点时，根据迭代公式需要进行一维搜索，即求最优步长。二、选择题1、下面C方法需要求海赛矩阵。A、最速下降法B、共轭梯度法C、牛顿型法D、DFP法2、对于约束问题根据目标函数等值线和约束曲线，判断为 ，为 。
4、DA内点；内点 B. 外点；外点 C. 内点；外点 D. 外点；内点3、内点惩罚函数法可用于求解B优化问题。A 无约束优化问题 B只含有不等式约束的优化问题 C 只含有等式的优化问题 D 含有不等式和等式约束的优化问题4、对于一维搜索，搜索区间为a，b，中间插入两个点a1、b1，a1b1，计算出f(a1)f(b1)，则缩短后的搜索区间为D。A a1，b1 B b1，b C a1，b D a，b1 5、D不是优化设计问题数学模型的基本要素。A设计变量 B约束条件 C目标函数 D 最佳步长6、变尺度法的迭代公式为xk+1=xk-kHkf(xk)，下列不属于Hk必须满足的条件的是C 。A. Hk之间
5、有简单的迭代形式 B.拟牛顿条件C.与海塞矩阵正交 D.对称正定7、函数在某点的梯度方向为函数在该点的A。A、最速上升方向 B、上升方向 C、最速下降方向 D、下降方向8、下面四种无约束优化方法中，D在构成搜索方向时没有使用到目标函数的一阶或二阶导数。A 梯度法 B 牛顿法 C 变尺度法 D 坐标轮换法9、设为定义在凸集R上且具有连续二阶导数的函数，则在R上为凸函数的充分必要条件是海塞矩阵G(X)在R上处处B。A 正定 B 半正定 C 负定 D 半负定10、下列关于最常用的一维搜索试探方法黄金分割法的叙述，错误的是D，假设要求在区间a，b插入两点1、2，且1, 因此继续进行迭代。第一迭代步完成
6、。2、试用牛顿法求f( X )=(x1-2)2+(x1-2x2)2的最优解，设初始点x(0)=2,1T。解1：（注：题目出题不当，初始点已经是最优点，解2是修改题目后解法。）牛顿法的搜索方向为S(k)=-2f-1(f),因此首先求出当前迭代点x(0) 的梯度向量、海色矩阵及其逆矩阵f4*x1 - 4*x2 - 48*x2 - 4*x1 f（x(0)）=002f4-4-482f-1 = 142111 S(k)=-2f-1f=00 不用搜索，当前点就是最优点。解2：上述解法不是典型的牛顿方法，原因在于题目的初始点选择不当。以下修改求解题目的初始点，以体现牛顿方法的典型步骤。 以非最优点x(0)=1
7、,2T作为初始点，重新采用牛顿法计算牛顿法的搜索方向为S(k)=-2f-1(f),因此首先求出当前迭代点x(0) 的梯度向量、以及海色矩阵及其逆矩阵梯度函数：f4*x1 - 4*x2 - 48*x2 - 4*x1 初始点梯度向量： f（x(0)）=-812 海色矩阵：2f4-4-48海色矩阵逆矩阵： 2f-1 = 142111 当前步的搜索方向为：S(k)=-2f-1(f)- 142111-812-11新的迭代点位于当前的搜索方向上 ：X（k+1）=X（k）+S（k）=X（0）+S（0） 12-111-2把新的迭代点带入目标函数，目标函数将成为一个关于单变量的函数F() fXk+1=f1-2=
8、( + 1)2 + (3 + 3)2F() 令 dF()d=20+ 200，可以求出当前搜索方向上的最优步长 -1 新的迭代点为 X(1)=X（0）+S（0） 12 -11 21 当前梯度向量的长度f=12x12+8x8=14.4222, 因此继续进行迭代。第二迭代步：f4*x1 - 4*x2 - 48*x2 - 4*x1f（x(1)）=00f=002-2-248-440 因此2f正定, X*=x1x2=42是极小点，极值为f(X*)=-84、求目标函数f( X )=x12+x1x2+2x22 +4x1+6x2+10的极值和极值点。解法同上5、试证明函数 f( X )=2x12+5x22 +x32+2x3x2+2x3x1-6x2+3在点1，1，-2T处具有极小值。解： 必要条件：f 4*x1 + 2*x3 10*x2 + 2*x3 - 62*x1 + 2*x2 + 2*x3 将点1，1，-2T带入上式，可得f 000充分条件2f4020102222440 40010400402010222280-40-162402f正定。因此函数在点1，1，-2T处具有极小值6、给定约束优化问题 min f(X)=(x1-3)2+(x2-2)2 s.t. g1(X)=x12
