《机械优化设计》试卷及答案详解

《《机械优化设计》试卷及答案详解》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、实用标准文档《机械优化设计》复习题及答案一、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）＝[-0.5,0.5]T，第一步迭代的搜索方向为[-47;-50]。2、机械优化设计采用数学规划法,其核心一是建立搜索方向二是计算最佳步长因子。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。

2、6、函数的梯度为HX+B。7、设G为n×n对称正定矩阵，若n维空间中有两个非零向量d0，d1，满足(d0)TGd1=0，则d0、d1之间存在_共轭_____关系。8、设计变量、约束条件、目标函数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，其必要条件是梯度为零，充分条件是海塞矩阵正定。10、库恩-塔克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[-2.36,2.36]。12

3、、优化设计问题的数学模型的基本要素有设计变量、约束条件目标函数、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逼近位置。14、将函数f(X)=x12+x22-x1x2-10x1-4x2+60表示成的形式。15、存在矩阵H，向量d1，向量d2，当满足(d1)TGd2=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，具有由小到大趋于无穷特点。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。精彩文案实用标准

4、文档二、选择题1、下面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。A．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__________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

5、b1]B[b1，b]C[a1，b]D[a，b1]5、_________不是优化设计问题数学模型的基本要素。A设计变量B约束条件精彩文案实用标准文档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________。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、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，__________在构成搜索方向时没有使用到目标

6、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。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，假设要求在区间[a，b]插入两点α1、α2，且α1<α2。A、其缩短率为0.618B、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。精彩文案实用标准文档11、与梯度成锐角的方向为函数值上升方向，与负梯度成锐角的方向

7、为函数值下降方向，与梯度成直角的方向为函数值不变方向。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。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15、通常情况下，下面四种算法中收敛速度最慢的是        

8、  A  牛顿法     B  梯度法   C  共轭梯度法     D  变尺度法 16、一维搜索试探方法——黄金分割法比二次插值法的收敛速度         A、慢 B、快 C、一样 D、不确定17、下列关于共轭梯度法的叙述，错误的是         。 A  需要求海赛矩阵   B  除第一步以外的其余各步的搜