基于matlab约束优化之惩罚函数法

mutougeda

' b6 h# a. Y% K* \) V$ Z一、算法原理
) c* W& q! s4 G, y# W! I1、问题引入
1 {' x( h& w8 j之前我们了解过的算法大部分都是无约束优化问题，其算法有：黄金分割法，牛顿法，拟牛顿法，共轭梯度法，单纯性法等。但在实际工程问题中，大多数优化问题都属于有约束优化问题。惩罚函数法就可以将约束优化问题转化为无约束优化问题，从而使用无约束优化算法。

2、约束优化问题的分类
约束优化问题大致分为三类：等式约束、不等式约束、等式+不等式约束。

其数学模型为：
3 h/ \& x. P3 d) A
; k3 r( s" F+ W7 G4 O等式约束
& L$ W" o4 ~- C
min f(x),x\in R^n
- d& l+ m8 B* P* `- N4 Z
s.t hv(x)=0,v=1,2,…,p<n
' k3 E; o" D( X: A* r: i% L
不等式约束

min f(x),x\in R^n

2 v: j$ o) ]. @9 _) ^9 C% Xs.t gu(x)\leqslant 0,u=1,2,…,p<n

2 f2 F0 i, U2 l8 a( v) E等式+不等式约束问题

5 U: \( U& b0 p9 I- J! P! Kmin f(x),x\in R^n
! ?, }) D* ^0 v  @# G$ N/ }
s.t hv(x)=0,v=1,2,…,p<n

) v4 {7 Z" C; B$ h0 M2 r! Ws.t gu(x)\leqslant 0,u=1,2,…,p<n

" ~3 {" A6 L0 ]$ x4 \: {" k& M5 a3、惩罚函数法定义
惩罚函数法（SUMT法）又称序列无约束极小化技术，将等式约束与不等式约束的条件，经过适当定义的复合函数加到原目标函数上构造了惩罚函数，从而取消了约束，转而求解一系列无约束优化问题。

2 K0 ^- u6 {& k按照惩罚函数再优化过程中的迭代点是否在约束条件的可行域内，又分为内点法、外点法和混合法
5 `7 L4 J0 ?  i# P
内点法：迭代点再约束条件的可行域之内，只用于不等式约束。
, V) }2 Q" l1 }5 H0 C% E3 R" |" g
外点法：迭代点再约束条件的可行域之外，既用于不等式约束又可用于等式约束。
7 @- ]: ^, D( `( d. g* A( h
4、外点惩罚函数法
等式约束：

( _, r8 k9 N# I$ o! w3 w8 @7 h0 Umin f=x1.2+x2.2,x\in R^n
: r# _4 X! N" h$ z
3 E5 i% T: i" ps.t h1(x)=x1-2=0,h2(x)=x2+3=0
0 z" n8 m( q! w
8 Y3 b3 e9 F( J: Y算法步骤
5 @# g4 ]$ U; Y' e" }; f
8 |; a& |& v) S) da、构造惩罚函数：F=f+M * { [ h1(x) ]^2 + [ h2(x) ]^2 } ，式中M为初始惩罚因子；
& ~0 W9 i2 j6 M5 F" m3 ]
/ z  y2 [! ^3 |# @. Db、然后用无约束优化极值算法求解(牛顿法)；
6 O. c2 i; C) E" c2 H: [
c、 如果相邻两次惩罚函数无约束最优点之间的距离足够小【norm(x1-x0)<eps】，则收敛；

    否则放大惩罚因子M=C*M，式中C为 罚因子放大系数；

• d、转步骤a继续迭代；
  0 c4 Z! r7 }1 h8 x5 ?% X" S

0 t0 W+ t1 G8 ^) L: t" \6 b
5 c  I/ \# n' J' {: b% {& B* O
  G+ o9 M" D' r. G二、源代码

• %% 外点惩罚函数法-等式约束
• syms x1 x2
• f=x1.^2+x2.^2;
• hx=[x1-2;x2+3];%列
• x0=[0;0];
• M=0.01;
• C=2;
• eps=1e-6;
• [x,result]=waidian_EQ(f,x0,hx,M,C,eps)
• function [x,result]=waidian_EQ(f,x0,hx,M,C,eps)
• % f 目标函数
• % x0 初始值
• % hx 约束函数
• % M 初始罚因子
• % C 罚因子放大系数
• % eps 容差
• %计算惩罚项
• CF=sum(hx.^2);  %chengfa
• while 1
•     F=matlabFunction(f+M*CF);%目标函数，使用之前的牛顿法，需要转换成句柄
•     x1=Min_Newton(F,x0,eps,100);
•     if norm(x1-x0)<eps
•         x=x1;
•         result=double(subs(f,symvar(f),x'));
•         break;
•     else
•         M=M*C;
•         x0=x1;
•     end
• end
• end
• %牛顿法
• function [X,result]=Min_Newton(f,x0,eps,n)
• %f为目标函数
• %x0为初始点
• %eps为迭代精度
• %n为迭代次数
• TiDu=gradient(sym(f),symvar(sym(f)));% 计算出梯度表达式
• Haisai=jacobian(TiDu,symvar(sym(f)));
• Var_Tidu=symvar(TiDu);
• Var_Haisai=symvar(Haisai);
• Var_Num_Tidu=length(Var_Tidu);
• Var_Num_Haisai=length(Var_Haisai);
• TiDu=matlabFunction(TiDu);
• flag = 0;
• if Var_Num_Haisai == 0  %也就是说海塞矩阵是常数
•     Haisai=double((Haisai));
•     flag=1;
• end
• %求当前点梯度与海赛矩阵的逆
• f_cal='f(';
• TiDu_cal='TiDu(';
• Haisai_cal='Haisai(';
• for k=1:length(x0)
•     f_cal=[f_cal,'x0(',num2str(k),'),'];
•     for j=1: Var_Num_Tidu
•         if char(Var_Tidu(j)) == ['x',num2str(k)]
•             TiDu_cal=[TiDu_cal,'x0(',num2str(k),'),'];
•         end
•     end
•     for j=1:Var_Num_Haisai
•         if char(Var_Haisai(j)) == ['x',num2str(k)]
•             Haisai_cal=[Haisai_cal,'x0(',num2str(k),'),'];
•         end
•     end
• end
• Haisai_cal(end)=')';
• TiDu_cal(end)=')';
• f_cal(end)=')';
• switch flag
•     case 0
•         Haisai=matlabFunction(Haisai);
•         dk='-eval(Haisai_cal)^(-1)*eval(TiDu_cal)';
•     case 1
•         dk='-Haisai^(-1)*eval(TiDu_cal)';
•         Haisai_cal='Haisai';
• end
• i=1;
• while i < n
•     if abs(det(eval(Haisai_cal))) < 1e-6
•         disp('逆矩阵不存在！');
•         break;
•     end
•     x0=x0(：)+eval(dk);
•     if norm(eval(TiDu_cal)) < eps
•         X=x0;
•         result=eval(f_cal);
•         return;
•     end
•     i=i+1;
• end
• disp('无法收敛！');
• X=[];
• result=[];
• end
  ; U- t+ }) X! |" M) n/ k6 N8 {+ J

   
; _1 a8 W- i3 c( D& n; Y! ?
; r/ N. r, {4 l5 o
& n" {, j( b- P; t0 g* X7 Y, Y

• %% 外点惩罚函数-混合约束
• syms x1 x2
• f=(x1-2)^2+(x2-1)^2;
• g=[-0.25*x1^2-x2^2+1];%修改成大于等于形式
• h=[x1-2*x2+1];
• x0=[2 2];
• M=0.01;
• C=3;
• eps=1e-6;
• [x,result]=waidian_hunhe(f,g,h,x0,M,C,eps,100)
• function [x,result]=waidian_hunhe(f,g,h,x0,M,C,eps,k)
• % f 目标函数
• % g 不等式约束函数矩阵
• % h 等式约束函数矩阵
• % x0 初始值
• % M 初始惩罚因子
• % C 罚因子放大倍数
• % eps 退出容差
• % 循环次数
• CF=sum(h.^2);  %chengfa
• n=1;
• while n<k
•     %首先判断是不是在可行域内
•     gx=double(subs(g,symvar(g),x0));%计算当前点的约束函数值
•     index=find(gx<0);%寻找小于0的约束函数
•     F_NEQ=sum(g(index).^2);
•     F=matlabFunction(f+M*F_NEQ+M*CF);
•     x1=Min_Newton(F,x0,eps,100);
•     x1=x1'
•     if norm(x1-x0)<eps
•         x=x1;
•         result=double(subs(f,symvar(f),x));
•         break;
•     else
•         M=M*C;
•         x0=x1;
•     end
•     n=n+1;
• end
• end
  

; Q8 ]2 }- c" m- t8 g& b   
0 p/ l. d# K' K) c! D, O: Q

• %% 内点惩罚函数
• syms x1 x2 x
• f=x1.^2+x2.^2;
• g=[x1+x2-1;2*x1-x2-2];
• x0=[3 1];
• M=10;
• C=0.5;
• eps=1e-6;
• [x,result]=neidian(f,g,x0,M,C,eps,100)
• function [x,result]=neidian(f,g,x0,M,C,eps,k)
• % f 目标函数
• % g 不等式约束函数矩阵
• % h 等式约束函数矩阵
• % x0 初始值
• % M 初始障碍因子
• % C 障碍因子缩小倍数
• % eps 退出容差
• % k 循环次数
• %惩罚项
• Neq=sum((1./g));
• n=1;
• while n<k
•     F=matlabFunction(f+M*Neq);
•     [x1,result]=Min_Newton(F,x0,eps,100);
•     x1=reshape(x1,1,length(x0));
•     tol=double(subs(Neq,symvar(Neq),x1)*M);
•     if tol < eps
•         if norm(x1-x0) < eps
•             x=x1;
•             result=double(subs(f,symvar(f),x));
•             break;
•         else
•             x0=x1;
•             M=M*C;
•         end
•     else
•         if norm(x1-x0) < eps
•             x=x1;
•             result=double(subs(f,symvar(f),x));
•             break;
•         else
•             x0=x1;
•             M=M*C;
•         end
•     end
•     n=n+1;
• end
• end
  

   
6 q! l1 o. H& H3 A2 f! l8 a& T
+ t# H  N# t% `( x

yin123

基于matlab约束优化之惩罚函数法