2025年大学《数理基础科学》专业题库- 最优化问题的理论分析

2025年大学《数理基础科学》专业题库——最优化问题的理论分析考试时间：______分钟总分：______分姓名：______一、填空题1.设函数f:ℝⁿ→ℝ在点x*处取得局部最优解，且f在x*处可微，则其梯度∇f(x*)必______。2.对于一个无约束优化问题，若目标函数在最优解处的海森矩阵H(x*)是负定矩阵，则该最优解______。3.在使用拉格朗日乘子法求解约束优化问题时，KKT条件中的互补松弛条件是指______。4.若函数f(x)在区域D上处处满足f(y)≥f(x)+∇f(x)ᵀ(y-x)，则称f(x)在D上是______函数。5.若优化问题(P)的对偶问题(D)的最优值强优于(P)的最优值，则称(P)是______问题。二、计算题1.考虑无约束优化问题：f(x,y)=x²+2xy+3y²-4x+6y。求函数f在点(1,1)处的梯度∇f(1,1)和海森矩阵H(f)。判断点(1,1)是否为f的驻点？如果是，使用二阶充分条件判断该驻点是否为局部最小值点。2.考虑约束优化问题：minf(x,y)=x²+y²,s.t.g(x,y)=x+y-1=0。构造该问题的拉格朗日函数L(x,y,λ)。写出该问题在点(1/2,1/2)处满足KKT条件的必要条件（包括可行性、乘子约束、互补松弛性、KKT条件本身）。三、证明题1.证明：如果一个凸函数在某个开集上取得最小值，那么该最小值是唯一的。2.设函数f:ℝⁿ→ℝ是定义在凸集Ω⊆ℝⁿ上的凸函数。证明：对于任意x₁,x₂∈Ω和任意λ∈[0,1]，有f(λx₁+(1-λ)x₂)≤λf(x₁)+(1-λ)f(x₂)。四、简答题1.简述拉格朗日乘子法的基本思想及其适用于求解何种类型的约束优化问题。2.解释什么是严格凸函数，并说明严格凸性对于无约束优化问题的最优解有什么影响。五、综合应用题设x₁,x₂是无约束优化问题minf(x)=x³-3x的两个不同最优解。证明该函数在定义域内不存在其他最优解。试卷答案一、填空题1.为零向量2.是严格局部最小值点3.对于所有i，有xᵢ≥0当且仅当λᵢ=04.严格凸5.凸二、计算题1.解：*梯度：∇f(x,y)=(2x+2y-4,2x+6y+6)ᵀ*在点(1,1)处，∇f(1,1)=(0,8)ᵀ*海森矩阵：H(f)=[[2,2],[2,6]]*点(1,1)是驻点，因为∇f(1,1)=0。*计算海森矩阵的eigenvalues:λ₁=8,λ₂=4。均大于0，所以H(f)正定。*结论：点(1,1)是局部最小值点。2.解：*拉格朗日函数：L(x,y,λ)=x²+y²+λ(x+y-1)*KKT条件：*可行性：g(x,y)=x+y-1=0*乘子约束：λ≥0*互补松弛性：λ(x+y-1)=0*KKT条件本身：∇_xL(x,y,λ)=(2x+λ,2y+λ)ᵀ=0⇒2x+λ=0,2y+λ=0三、证明题1.证明：*设x*是f在Ω上的最小值点，即f(x*)≤f(x)对于所有x∈Ω成立。*假设存在另一个最优解x*₁≠x*，使得f(x*₁)=f(x*)。*由于Ω是凸集，对于任意λ∈(0,1)，点λx*+(1-λ)x*₁∈Ω。*由f的凸性，f(λx*+(1-λ)x*₁)≤λf(x*)+(1-λ)f(x*₁)=λf(x*)+(1-λ)f(x*)=f(x*)。*因此，对于所有λ∈(0,1)，有f(λx*+(1-λ)x*₁)≤f(x*)。*这意味着点λx*+(1-λ)x*₁也是f的最优解。*重复此过程，可以构造出无限个最优解，形成一条连接x*和x*₁的最优解路径，这与最小值唯一性矛盾。*因此，假设不成立，最优解x*必然是唯一的。2.证明：*设x₁,x₂∈Ω，λ∈[0,1]。*令z=λx₁+(1-λ)x₂。由于Ω是凸集，且λx₁,(1-λ)x₂∈Ω，所以z∈Ω。*由f的凸性，f(z)≤f(λx₁+(1-λ)x₂)。*再次应用f的凸性，f(λx₁+(1-λ)x₂)≤λf(x₁)+(1-λ)f(x₂)。*结合以上不等式，得到f(z)≤λf(x₁)+(1-λ)f(x₂)。*即f(λx₁+(1-λ)x₂)≤λf(x₁)+(1-λ)f(x₂)，证毕。四、简答题1.答：拉格朗日乘子法的基本思想是将带有等式约束的优化问题转化为一个等价的无约束优化问题（拉格朗日函数），通过引入拉格朗日乘子来体现约束条件的影响。它适用于求解具有等式约束的优化问题，即形如minf(x)s.t.hᵢ(x)=0,i=1,...,m的优化问题。2.答：严格凸函数是指：对于定义域内任意两个不同的点x,y和任意λ∈(0,1)，总有f(λx+(1-λ)y)<λf(x)+(1-λ)f(y)。严格凸性保证了无约束优化问题的最优解是唯一的，并且该最优解是严格局部最优解，即全局最优解。五、综合应用题证明：*求无约束优化问题f(x)=x³-3x的驻点：f'(x)=3x²-3=0⇒x=-1,1。*计算二阶导数（海森矩阵）：f''(x)=6x。*在x=-1处，f''(-1)=-6<0，所以x=-1是局部最大值点。*在x=1处，f''(1)=6>0，所以x=1是局部最小值点。*计算函数值：f(-1)=2,f(1)=-2。*因此，x₁=-1和x₂=1分别是局部最大值点和局部最小值点。*假设存在另一个最优解x*≠±1。*若x*是局部最小值点，则由局部最优性，f(x*)≤f(x₂)=f(1)=-2。*若x*是局部最大值点，则由局部最优性，f(x*)≥