2．一般非线性规划
Aeq X = beq
VLB X VUB
G(X) 0
其中X为n维变元向量，G(X)与Ceq(X)均为非线性函数组成 的向量，其他变量的含义与线性规划、二次规划中相同．用 MATLAB求解上述问题，基本步骤分三步： 1． 首先建立M文件fun.m,用来定义目标函数F（X）: function f=fun(X); f=F(X);
数，简记: f : Rn R1, g i : Rn R1, h j : Rn R1 其它情况: 求目标函数的最大值，或约束条件小于等于零 两种情况，都可通过取其相反数化为上述一般形式．
定义1 把满足问题（1）中条件的解 X ( Rn ) 称为可行解（或可行 点），所有可行点的集合称为可行集（或可行域）．记为D．即 D = X | g i X 0, h j X = 0, X Rn 问题(1)可简记为 min f X ．
步长缩小系数 0,1，允许误差 >0，令 k=1；
(2) 在点 X k 处，将 f X ， g i X , h j X 按泰勒级数展开并取 一阶近似，得到近似线性规划问题：
min f X f X k f X k
gi X gi X hj X hj X
0,0 1；
(2) 求出约束集合 D 的一个内点 X 0 D 0 ，令 k
X D
= 1；
(3) 以 X k 1 D 0 为初始点， 求解 min I X , rk ， 其中 X D 0的
0
最优解设为 X k = X rk D 0 ；
1 (4) 检验是否满足 r ln g i X 或 rk ，若满 i =1 i =1g X i * k 足，停止迭代，令 X X ；否则取 rk 1 = rk ，令 k = k 1，




非线性规划的基本解法
SUTM外点法
1． 罚函数法 SUTM内点法（障碍罚函数法）
2． 近似规划法 返回
罚函数法 罚函数法基本思想是通过构造罚函数把 约束问题转化为一系列无约束最优化问题，
进而用无约束最优化方法去求解．这类方法
称为序列无约束最小化方法．简称为SUMT
法．
其一为SUMT外点法，其二为SUMT内点 法．
x 2 1 1 x 2 2 2 0 x 1 0 x 2
3．运算结果为： x =0．6667
MATLAB（youh1）
1．3333
z = -8．2222
标准型为： min F(X) s.t． AX b Ceq(X)=0
2. 若约束条件中有非线性约束:G(X) 0 或Ceq(X)=0, 则建立M文件nonlcon.m定义函数G(X)与Ceq(X): function [G,Ceq]=nonlcon(X) G=… Ceq=…
3． 建立主程序.求解非线性规划的函数是fmincon,命令的基本 格式如下： (1) x=fmincon(‘fun’,X0,A,b) (2) x=fmincon(‘fun’,X0,A,b,Aeq,beq) (3) x=fmincon(‘fun’,X0,A,b, Aeq,beq,VLB,VUB) (4) x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’) (5)x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’,options) 输出极值点 M文件 迭代的初值 变量上下限 参数说明
步骤(5)；否则，缩小步长限制，令
回步骤(3)，重解当前的线性规划问题；
5) 判断精度： 若 j = 1,L, n， 则点 X
k j
k 1
为近似最优解；
1 k = 否则，令 k j j j = 1,L, n ，k=k+1，返回步骤(2)． 返回
1．二次规划
标准型为： min Z= 1 XTHX+cTX
(6) [x,fval]= fmincon(…) (7) [x,fval,exitflag]= fmincon(…) (8)[x,fval,exitflag,output]= fmincon(…)
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(…);
SUTM外点法(罚函数法)的迭代步骤 1．任意给定初始点 X0，取M1>1，给定允许误差 0，令k=1；
k=X(M )，即 T X , M 2．求无约束极值问题 min 的最优解，设 X k n
k
X R
min T X , M = T (X , Mk )； n
X R
k 3．若存在 i 1 i m ，使 gi X ,则取Mk>M(M k 1 = M , = 10),

k
令k=k+1返回（2），否则，停止迭代．得最优解 X * X k ． 计算时也可将收敛性判别准则
gi X
改为 M min0, gi X 2 0 ．
m i =1
罚函数法的缺点：每个近似最优解Xk往往不是容许解，而
只能近似满足约束，在实际问题中这种结果可能不能使用；在 解一系列无约束问题中，计算量太大，特别是随着Mk的增大， 可能导致错误．
把其符合原始条件的最优解作为(3)的解的近似． 每得到一个近似解，都从这点出发，重复以上步骤． 这样，通过求解一系列线性规划问题，产生一个 由线性规划最优解组成的序列，经验表明，这样的序 列往往收敛于非线性规划问题的解．
近似规划法的算法步骤如下：
1 1 1 , x2 ,L, x1 (1) 给定初始可行点 X 1 = {x1 n }，步长限制 j j = 1,L, n ，
一般形式:
gi X 0 i = 1,2,..., m; s.t. h j X = 0 j = 1,2,..., l. （1） T n f , g ,h 其中 X = x1, x2 ,L, xn R， i j 是定义在 Rn 上的实值函
m in f X
k k T i
T
X X
k
k
g X X X 0 h X X X = 0
k T k j
i = 1, j = 1,
,m ,l ；
k
(3)在上述近似线性规划问题的基础上增加一组限制步长的线 性约束条件．因为线性近似通常只在展开点附近近似程度较
Байду номын сангаас
{
}
X D
对于问题(1),设 X * D ,若存在 0 ,使得对一切 X D ,且 X X * ,都有 f X * f X ,则称X*是f(X)在D上的 局部极小值点（局部最优解）．特别地,当 X X * 时，若 f X * f X ,则称X*是f(X)在D上的严格局部极小值点（严格局部最 优解）． 定义3 对于问题(1),设 X * D ,若对任意的 X D,都有 f X* f X , 则称X*是f(X)在D上的全局极小值点（全局最优解）．特别地,当 X X * 时，若 f X * f X ,则称X*是f(X)在D上的严格全局极小值 点（严格全局最优解）． 返回 定义2
例1
min f(x1,x2)=-2x1-6x2+x12-2x1x2+2x22 s.t. x1+x2≤2 -x1+2x2≤2 x1≥0, x2≥0
T
1．写成标准形式： min z = ( x , x ) 1 -1 x1 2 1 2 1 2 x2 6
SUTM内点法（障碍函数法）
min f X 考虑问题： (1) s.t. gi X 0 i = 1, 2,..., m 设集合D = { X | g X 0, i = 1, 2, , m} ，D 是
0 0 i
可行域中所有严格内点的集合.
构造障碍函数
I X , r ： I X , r = f X r lng i X 或 I ( X , r ) = f ( X ) r
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)
SUTM外点法 对一般的非线性规划： min f X
gi X 0 s.t. h j X = 0
可设：T X , M = f X M
m
i = 1,2,...,m; j = 1, 2,..., l.
l
(1)
2 2 min 0 , g X M h X i j i =1 j =1
i =1 i =1