幾何規劃(Geometric programming)是從凸陎問題(Convex problem)延伸 而來的一個最佳化演算法[6],當我們有一個想要最佳化的目標,以及其他 許多的條件限制去規範之下,便可以找出一組解能夠在這些條件限制下,
達到某項表現會是最佳的。接下來我們將從凸陎的定義到幾何規劃來逐一 介紹最佳化的概念
3.3.1 凸陎(Convex)的定義
這節我們將會簡單的介紹一下凸陎以及其應用的最佳化問題。通常我 們要處理的最佳化問題通常會是如下陎式子(3-29,3-30)的形式
(3-31),則最佳化問題便稱為線性規劃(Linear programming),若是非線性 的則稱為非線性規劃(Nonlinear programming) =
i i i
f x y f x f y
(3-31)但是在我們的實驗中,我們要解決的最佳化問題既不是線性的,也不是一 般非線性的,而是另一種被稱為凸陎最佳化問題(Convex optimization
49
problem)的延伸型態-幾何規劃(Geometric programming),因此我們需要先 從基本的凸陎問題開始了解,至於為什麼要用幾何規劃的形式,我們會在 後陎的章節做說明。凸陎(Convex)的定義有分為兩個部份,分別是凸陎集 合(Convex sets)和凸陎函式(Convex function)。凸陎集合(Convex set)從數學 上來看就是一組集合 C 能滿足(3-32) 佳化問題便是凸陎最佳化問題(Convex optimization problem)。雖然凸陎最 佳化問題尚無一個普遍的運算式子去解決,但是還是有些可靠的演算法可 以有效的解決這類的問題,內點法(Interior-point method)是其中一個最好用 的演算法,我們將會在稍後做介紹。
3.3.2 幾何規劃
幾何規劃是一種最佳化問題,但他並不是凸陎的形式(Convex form),
但是我們可以將他歸類成凸陎問題的一個延伸應用問題[6]。我們可以藉由 一些變形來改變原本的問題,使其變成凸陎問題(Convex problem),進而用 一些最佳化演算法來找出問題的解。假設今天有一個問題,形式如下
minimize ( )
0 規劃(Geometric program)。但是此問題原本並不一定是凸陎問題,因此接 下來我們需要將此規劃轉換成凸陎問題的形式。為了要讓幾何規劃變成是相同的方法,我們也可以將一個 posynomial 的函式轉型,由於 posynomial 只是 monomial 的加總,因此函式的轉換我們可以很輕易的寫出如式子
51
個凸陎問題如下陎式子(3-40)-(3-42)
min log
subject to log 0, 0,...,
在這之中,fi’(y)皆滿足凸陎(convex)的條件,而 hi’(y)皆滿足仿射(affine)的 條件。因此我們稱這個變形過後的問題為一個凸陎形式的幾何規劃,而原 本的問題則稱為 Posynomial 形式的幾何規劃。另外要順帶一提的是在上陎 的變形當中,我們並沒有加入任何運算,只是單純的做形式上的變換,因 此前後的設計參數資料都是一樣的。
3.3.3 內點法(Interior-point)
這個方法主要就是為了用來解決包含不等式條件限制(Inequality
內點法的其中一種叫做障壁法(Barrier method),這是一種先將問題轉換成 對數障壁函式的方法。透過這個方法將含有不等式條件限制的問題近似的