《机械优化设计》复习题答案教程文件Word格式.docx
- 文档编号:14842186
- 上传时间:2022-10-25
- 格式:DOCX
- 页数:11
- 大小:222.24KB
《机械优化设计》复习题答案教程文件Word格式.docx
《《机械优化设计》复习题答案教程文件Word格式.docx》由会员分享,可在线阅读,更多相关《《机械优化设计》复习题答案教程文件Word格式.docx(11页珍藏版)》请在冰豆网上搜索。
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。
D
A.内点;
内点
B.外点;
外点
C.内点;
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,a1<
b1,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-αkHk▽f(xk),下列不属于Hk必须满足的条件的是C。
A.Hk之间有简单的迭代形式
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α1、α2,且α1<
α2。
A、其缩短率为0.618
B、α1=b-λ(b-a)
C、α1=a+λ(b-a)
D、在该方法中缩短搜索区间采用的是外推法。
11、与梯度成锐角的方向为函数值A方向,与负梯度成锐角的方向为函数值B
方向,与梯度成直角的方向为函数值C方向。
A、上升
B、下降
C、不变
D、为零
12、二维目标函数的无约束极小点就是B。
A、等值线族的一个共同中心
B、梯度为0的点
C、全局最优解
D、海塞矩阵正定的点
13、最速下降法相邻两搜索方向dk和dk+1必为B向量。
A相切
B正交
C成锐角
D共轭
14、下列关于内点惩罚函数法的叙述,错误的是A。
A可用来求解含不等式约束和等式约束的最优化问题。
B惩罚因子是不断递减的正值
C初始点应选择一个离约束边界较远的点。
D初始点必须在可行域内
三、问答题(看讲义)
1、试述两种一维搜索方法的原理,它们之间有何区别?
2、惩罚函数法求解约束优化问题的基本原理是什么?
3、试述数值解法求最佳步长因子的基本思路。
4、试述求解无约束优化问题的最速下降法与牛顿型方法的优缺点。
5、写出用数学规划法求解优化设计问题的数值迭代公式,并说明公式中各变量的意义,并说明迭代公式的意义。
6、什么是共轭方向?
满足什么关系?
共轭与正交是什么关系?
四、解答题
1、试用梯度法求目标函数f(X)=1.5x12+0.5x22-x1x2-2x1的最优解,设初始点x(0)=[-2,4]T,选代精度ε=0.02(迭代一步)。
解:
首先计算目标函数的梯度函数,
计算当前迭代点的梯度向量值
梯度法的搜索方向为,因此在迭代点x(0)的搜索方向为[12,-6]T
在此方向上新的迭代点为:
==
=
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
令,可以求出当前搜索方向上的最优步长
新的迭代点为
当前梯度向量的长度,因此继续进行迭代。
第一迭代步完成。
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)=[2,1]T。
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,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
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)=[1,2]T作为初始点,重新采用牛顿法计算
的梯度向量、以及海色矩阵及其逆矩阵
梯度函数:
初始点梯度向量:
海色矩阵:
海色矩阵逆矩阵:
当前步的搜索方向为:
=
新的迭代点位于当前的搜索方向上:
==
==
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
第二迭代步:
因此不用继续计算,第一步迭代已经到达最优点。
这正是牛顿法的二次收敛性。
对正定二次函数,牛顿法一步即可求出最优点。
3、设有函数f(X)=x12+2x22-2x1x2-4x1,试利用极值条件求其极值点和极值。
首先利用极值必要条件
找出可能的极值点:
令
=
求得,是可能的极值点。
再利用充分条件正定(或负定)确认极值点。
因此正定,是极小点,极值为f(X*)=-8
4、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,-2]T处具有极小值。
必要条件:
将点[1,1,-2]T带入上式,可得
充分条件
=40
正定。
因此函数在点[1,1,-2]T处具有极小值
6、给定约束优化问题
minf(X)=(x1-3)2+(x2-2)2
s.t.g1(X)=-x12-x22+5≥0
g2(X)=-x1-2x2+4≥0
g3(X)=x1≥0
g4(X)=x2≥0
验证在点Kuhn-Tucker条件成立。
首先,找出在点起作用约束:
g1(X)=0
g2(X)=0
g3(X)=2
g4(X)=1
因此起作用约束为g1(X)、g2(X)。
然后,计算目标函数、起作用约束函数的梯度,检查目标函数梯度是否可以表示为起作用约束函数梯度的非负线性组合。
=,
求解线性组合系数
得到均大于0
因此在点Kuhn-Tucker条件成立
7、设非线性规划问题
用K-T条件验证为其约束最优点。
8、已知目标函数为f(X)=x1+x2,受约束于:
g1(X)=-x12+x2≥0
g2(X)=x1≥0
写出内点罚函数。
喜欢□一般□不喜欢□内点罚函数的一般公式为
其中:
r
(1)>
r
(2)>
r(3)…>
r(k)…>
0是一个递减的正值数列
营销调研课题r(k)=Cr(k-1),0<C<1
为了解目前大学生对DIY手工艺品制作的消费情况,我们于己于人2004年3月22日下午利用下课时间在校园内进行了一次快速抽样调查。
据调查本次调查人数共50人,并收回有效问卷50份。
调查分析如下:
因此罚函数为:
9、已知目标函数为f(X)=(x1-1)2+(x2+2)2
受约束于:
g1(X)=-x2-x1-1≥0
g2(X)=2-x1-x2≥0
g3(X)=x1≥0
9、如果你亲戚朋友送你一件DIY手工艺制品你是否会喜欢?
g4(X)=x2≥0
试写出内点罚函数。
(二)DIY手工艺品的“热卖化”解法同上
4、宏观营销环境分析
10、如图,有一块边长为6m的正方形铝板,四角截去相等的边长为x的方块并折转,造一个无盖的箱子,问如何截法(x取何值)才能获得最大容器的箱子。
试写出这一优化问题的数学模型以及用MATLAB软件求解的程序。
6、你购买DIY手工艺制品的目的有那些?
11、某厂生产一个容积为8000cm3的平底无盖的圆柱形容器,要求设计此容器消耗原材料最少,试写出这一优化问题的数学模型以及用MATLAB软件求解的程序。
创业首先要有“风险意识”,要能承受住风险和失败。
还要有责任感,要对公司、员工、投资者负责。
务实精神也必不可少,必须踏实做事;
12、一根长l的铅丝截成两段,一段弯成圆圈,另一段弯折成方形,问应以怎样的比例截断铅丝,才能使圆和方形的面积之和为最大,试写出这一优化设计问题的数学模型以及用MATLAB软件求解的程序。
据调查统计,有近94%的人喜欢亲戚朋友送给自己一件手工艺品。
无论是送人,个人兴趣,装饰还是想学手艺,DIY手工制作都能满足你的需求。
下表反映了同学们购买手工艺制品的目的。
如图(1-4)13、求表面积为300m2的体积最大的圆柱体体积。
试写出这一优化设计问题的数学模型以及用MATLAB软件求解的程序。
除了“漂亮女生”形成的价格,优惠等条件的威胁外,还有“碧芝”的物品的新颖性,创意的独特性等,我们必须充分预见到。
14、薄铁板宽20cm,折成梯形槽,求梯形侧边多长及底角多大,才会使槽的断面积最大。
写出这一优化设计问题的数学模型,并用matlab软件的优化工具箱求解(写出M文件和求解命令)。
15、已知梯形截面管道的参数是:
底边长度为c,高度为h,面积A=64516mm2,斜边与底边的夹角为θ,见图1。
管道内液体的流速与管道截面的周长s的倒
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机械优化设计 机械 优化 设计 复习题 答案 教程 文件
![提示](https://static.bdocx.com/images/bang_tan.gif)