Trường Đại học Công nghiệp thành phố Hồ Chí Minh

Khoa Công nghệ Cơ khí

CHƯƠNG I:
NHỮNG KHÁI NIỆM CƠ BẢN
Thời lượng: 6 tiết (2 buổi)
 2
Các tình huống tối ưu hóa trong thiết kế Cơ khí

a
a
V  1 dm  S  min
3
 3
Các tình huống tối ưu hóa trong thiết kế Cơ khí

Cho dầm với mặt cắt hình tròn đặc với đường kính d, được
làm từ vật liệu có khối lượng riêng ρ. Chiều dài dầm là L.
Tìm đường kính d để khối lượng dầm là tối thiểu, biết tần số
dao động riêng thứ nhất của nó không được vượt quá giá trị
f
 4
Các tình huống tối ưu hóa trong thiết kế Cơ khí

Tìm d, D, N để lò xo nhẹ nhất

mà vẫn đảm bảo các điều
kiện:
- Về độ cứng
- Về độ bền
- Về tần số dao động
 Phân dạng các vấn đề tối ưu hóa 5

Tối ưu hóa

Không ràng Có ràng

buộc buộc

Phát biểu của một vấn đề tối ưu hóa

 x1 
 x1   
   x2  Để hàm f(X) nhỏ nhất
 x2  Tìm X   
Tìm X      và phải thỏa mãn các
  x  điều kiện ràng buộc
x   n
 n

Để hàm f(X) nhỏ nhất

 6
Phát biểu của một vấn đề tối ưu hóa
 7
Phát biểu của một vấn đề tối ưu hóa
- Thường là:
• Kích thước của các kết cấu (dài, góc)
• Các thuộc tính vật liệu (khối lượng, nhiệt độ, …)
- Giá trị của các tham biến thường nằm trong 1 khoảng giới hạn
- Tham biến có thể là một số thực, rời rạc, số nhị phân, số
nguyên
 8
Phát biểu của một vấn đề tối ưu hóa

- Thường là:
• Khối lượng của một vật hay chi tiết, cụm vật, v.v…
• Ứng suất, độ bền
• Chuyển vị, độ cứng
• Giá thành, chi phí
• Hiệu suất, công suất, năng suất
 9
Phát biểu của một vấn đề tối ưu hóa

Thường là các điều kiện liên quan đến:

- ngưỡng giới hạn của một hiện tượng vật l{ nào đó
- ngưỡng giới hạn của yêu cầu kỹ thuật về kích thước, khối
lượng, ứng suất, biến dạng, tần số dao động, năng suất, độ
nhám bề mặt, sai số, v.v…
 10
Tính lồi lõm (Convexity)

Tập hợp lồi

Tập hợp không lồi

 11
Tính lồi lõm (Convexity)
 12
Tính lồi lõm (Convexity)
Khái niệm lồi – lõm quan trọng để
xác định hàm số chỉ có 1 giá trị cực
tiểu. Một hàm lồi sẽ có 1 cực tiểu
toàn cục. Nếu hàm không lồi thì cực
trị có thể chỉ là địa phương.

Cực trị địa

phương
Cực trị toàn cục

Hàm số có nhiều hơn 1 cực đại và

cực tiểu gọi là hàm đa phương thức
(Multimodal function)
 13

Cực tiểu toàn Không có cực tiểu Cực tiểu toàn cục
cục chặt chẽ toàn cục chặt chẽ không chặt chẽ

Cực tiểu cục bộ chặt chẽ Cực tiểu cục Cực tiểu cục bộ Cực tiểu cục
(toàn cục) bộ chặt chẽ không chặt chẽ bộ chặt chẽ
 14
Tính lồi lõm (Convexity)

Các kỹ sư không chỉ

quan tâm đến cực trị
toàn cục (Global
Optimum) mà còn cần
quan tâm đến các cực
trị địa phương và các
cực trị trong điều kiện
ràng buộc. Vì không
phải lúc nào cũng có
thể sử dụng thiết kế
theo cực trị toàn cục
do bị các ràng buộc kỹ
thuật khác từ chối.
 15
Tính lồi lõm (Convexity)

Nếu f(x) là hàm lồi thì –f(x) sẽ là hàm lõm

Chính vì vậy ta có: f  x   min   f  x   max

 16
Đạo hàm (độ dốc) của hàm số f(x)

Tiếp tuyến Phương của độ dốc thể hiện sự

thay đổi giá trị của hàm số một
cách lớn nhất. Độ dốc cung cấp
thông tin cần thiết về phương
hướng tìm kiếm cực trị (cực đại
hoặc cực tiểu) địa phương của
hàm số.
Trong hầu hết các bài toán tối ưu,
khi mà hàm số f(x) là phi tuyến thì
đạo hàm (độ dốc) thường được
tính bằng phương pháp số.
Đối với hàm 1 biến số thì tiếp
tuyến tại mọi điểm của đồ thị và
độ dốc của nó là như nhau.
 17
Phương pháp số để tính đạo hàm
 18
Phân định cực đại hay cực tiểu
Cực đại Điểm uốn Cực tiểu

f  x  0

f   x   0

f   x   0

f   x   0
 19
Độ dốc của hàm nhiều biến
f  x  , x  x1 , x2 , , xn

 f 
 x 
 1
 f 

f  x    x2 
 
 
 f 
 xn 
 20
Tiếp tuyến và độ dốc của hàm 2 biến

x3  f  x1 , x2   sin  x1  x2 

Giao tuyến giữa các mặt phẳng song song với mặt phẳng x1x2 với bề mặt hàm số
sẽ tạo ra các đường đồng mức, mà ở đó giá trị của hàm số tại mọi điểm trên
những đường này đều bằng nhau.
 21
Tiếp tuyến và độ dốc của hàm 2 biến

x3  f  x1 , x2   sin  x1  x2 

Chiều của mũi tên là chiều mà giá trị hàm f tăng

 22
Tiếp tuyến và độ dốc của hàm 2 biến

Độ dốc vuông góc với các tiếp

tuyến với các đường đồng mức
của hàm số. Hay nói cách khác:
Độ dốc chính là véctơ Pháp tuyến
với đường cong
 23
Ma trận Jacobian
Xét m hàm số n biến: f1  x1 , x2 , , xn  , f 2  x1 , x2 , , xn  , , f m  x1 , x2 , , xn 
Độ dốc của những hàm này có thể được đặt trong 1 ma trận
Jacobian:
Đối với các bài toán tối ưu hóa có ràng buộc, có thể
 f1 f1 f1  việc di chuyển theo hướng độ dốc sẽ dẫn đến việc di
 x x2 xn  chuyển vào vùng không hợp lệ (infeasible region).
 1 
 f 2 f 2 f 2  Trong trường hợp như vậy, người ta có thể di chuyển
 J    x1 xn 
theo một số hướng tìm kiếm khác, và khi đó ta sẽ cần
x2
 biết tốc độ thay đổi giá trị của hàm số theo những
mxn   hướng đó.
 
 f m f m f m  Đạo hàm định hướng (The directional derivative) sẽ
 x1 x2 xn  cung cấp thông tin về vận tốc thay đổi giá trị tức thời
của hàm số theo một hướng nhất định.
Nếu u là một véc tơ đơn vị, thì đạo hàm định hướng của hàm f(x)
theo hướng của u được tính bởi công thức:

f  x    u
T
 24
Ý nghĩa của đạo hàm định hướng
MAX

Rào cản ràng buộc

f  x 

f  x   u
T
u
e
 25
Ma trận Hessian
Xét hàm số n biến: f  x   f  x1 , x2 , , xn 
 2 f 2 f 2 f 
 
 x1
2
x1x2 x1xn 
 2 f 2 f 2 f 
 
Ma trận Hessian được định nghĩa:    x2x1
H  x22 x2 xn 
 
 
 2 f 2 f  f 
2

 x x xn x2 xn2 

 n 1

1. Ma trận Hessian là một ma trận đối xứng

2. Ma trận Hessian phải dương tại điểm cực tiểu của hàm số
3. Ma trận Hessian phải âm tại điểm cực đại của hàm số
 26
Bài tập ví dụ 1
Cho hàm 3 biến số: f  x   f  x1 , x2 , x3   x12  2 x1 x2  3x22  4 x32  5 x2 x3

Yêu cầu:
1. Tìm Gradient và ma trận Hessian của hàm số
2. Tìm đạo hàm định hướng của hàm f tại điểm (1,1,1) theo
hướng của véctơ d=[1,2,3]T

Gradient: tại điểm (1,1,1)

Đạo hàm định hướng:

Hessian:

Véctơ đơn vị của d:

 27
Xấp xỉ tuyến tính và bậc 2
Dãy Taylor được dùng để xấp xỉ hóa hàm số n biến:
1
f  x   f  x 0  Δx   f  x 0   f  x 0    Δx   ΔxT   H  x 0    Δx
T

2
Với: x  x 0  Δx  Δx  x  x 0

Xấp xỉ tuyến tính (The Linear Approximation):

f  x   l  x   f  x 0   f  x 0     x  x 0 
T

Xấp xỉ bậc hai (The Quadratic Approximation):

1
f  x   q  x   f  x 0   f  x 0     x  x 0     x  x 0    H  x 0     x  x 0 
T T

2
 x  x0 
Để tính toán cần tính f  x 
0 Chú {, dĩ nhiên là
sẵn các véctơ và ma
f  x   f  x 0  f(x)≈l(x)≈q(x) khi x≈x0
trận sau đây:
 H  x     H  x 0  
 28
Ý nghĩa của việc xấp xỉ
1
f  x   f  x 0   f  x 0     x  x 0     x  x 0    H  x 0     x  x 0 
T T

2
l x

q x 

x0  0
 29
Bài tập ví dụ 2
Hãy xây dựng xấp xỉ tuyến tính và xấp xỉ bậc 2 của
hàm số sau tại điểm (2,1) và kiểm tra lại giá trị của f x  3 x  x1
  2
hàm số, giá trị của các xấp xỉ tại điểm lân cận của x2
nó là (1.9,1.1)
x 0   2 1 ; x   x1 x2 
T T

 x1  2 
 x  x0    
 2 
x  1
f  x0   1
 1 
Dựa theo quy trình  x   1
tính, ta có: f  x    2
  f  x 0    
 x1  5 
3 
 x2 
 2 

 1 
0 x22 
   H  x 0    
0 1
 H  x      1 4 
1 2 x1    
 x2 3 
 2 x2 
 30
Bài tập ví dụ 2 (tiếp)
Xấp xỉ tuyến tính và xấp xỉ bậc 2 sau khi rút gọn có dạng:

 x1 x2  2 x22  2 x1  7 x2  2

f 1.9,1.1  1.572727
l 1.9,1.1  1.6
Xấp xỉ bậc 2 chính xác
hơn xấp xỉ tuyến tính
q 1.9,1.1  1.57
 x 0   2 1T 1.9  2   0.1 31
   x  x   1.1  1   0.1 
x  1.9 1.1
0
   
T

f  x0   1
 1 
x1  x 
f  x   3x2   1
f  x    2    f  x 0    
x2  x1  5 
3  x 2 
 2 

 1 
0 x22 
   H  x 0    
0 1
 H  x      1 4 
1 2 x1    
 x2 3 
 2 x2 

 0.1
l  x   f  x 0   f  x 0     x  x 0   1   1 5     1   1 0.1   5  0.1   1.6
T

 0.1 
1 1 0 1   0.1
q  x   l  x     x  x 0    H  x 0     x  x 0   1.6    0.1 0.1   
T
 
2 2 1 4  0.1 
1  0.1
 1.6    0.1 0.5   
2 0.1 
1
 1.6    0.01  0.05   1.57
2
 32
Phép khử Gauss và phần tử cơ sở
(Gaussian Elimination and Pivot Elements)

0 0 0 0
.
.
.
.
0
.
.
.
0
. 0 … .
.
0
. 0
. . . . . . . .
. . . . 0
0 0 0 0 0 0 0 0 0 0 0
Sau i=1 Sau i=2 Sau i=3 Sau i=n-1

Dạng bậc thang

(Row Echelon Form)

Phần tử cơ sở ≠ 0
0 (Pivot Elements)
. 0
. . 0
. . .
. 0
0 0 0 0 0
 33
Hạng (Rank) của ma trận

Nếu B là một ma trận bậc thang thì hạng (rank) của B bằng số hàng
khác 0 của nó

Các phép biến đổi sơ cấp

không làm thay đổi hạng của
ma trận  Ta sẽ đưa ma trận
bất kz A về ma trận bậc thang
B. Từ đó hạng của A cũng sẽ là
hạng của B: rank(A)=rank(B)
Tìm hạng của ma trận A: 34
 2 5 
 1 0
 2 5  3 3
 3 2 5 0   
1 0
0 
1
8 11
 2 4 7 1  R1  1  R1  3 3
  
A   R2  R2   2  R1 3 3
 3
  2 4 7 1     
 5 2 6 3  R3  R3  5 R1
 5 2 6 3  R4  R4  4 R1 0 4 43 3 
     
 4 3 1 2 3 3
 4 3 1 2   
17 17
0  2
 3 3 
 2 5   2 5   2 5 
 1 0   1 0   1 0
3 3 3 3 3 3
     
 3 
0 1 11 3  4
0 1 11 3   2 
0 1 11 3 
R2   R2  8 8 R3  R3    R2  8 8  R3  25  R3  8 8
  8 
  
3
 17 
    
0 4 43
R4  R4   25 5 1
3 0 0 0 0
 R2
 3  1
 3 3   2 2  5
 17 17   17 33   17 33 
0  2 0 0  0 0 
 3 3   8 8  8 8
 2 5 
 1 0 
3 3
 
 11 3 
 17  0 1
R4  R4    R3  8 8
  8 

0 0 1


4 hàng khác 0  Rank(A) = 4
1
 5
 37 
0 0 0 
 10 
 35
REDUCED ROW ECHELON FORM
 3 7 1 
 3 7 1  1 1
1 1 2 2
2 2
 2 3 2 7 1  2
2  
  R1  2 R1   R2  1 R1  R2  1
1
13 11 
A  1 1 1 3 6    1 1 1 3 6    0 2
R3  1 R1  R3  2 2 2
1 1 1 5 4  1 1 1 5 4   
  0 5 17 7 
  2
 2 2 2 
 3 7 1   3 7 1 
 1 1 1  1
2 2 2   2 2 2 
R2  2  R2   R3  1 R2  R3  
 2  0 1 4 13 11   0 1 4 13 11
R3   R3
 5   4 17 7   16 48 48 
0 1  0 0 
 5 5 5   5 5 5 
 3 7 1   3 7 1 
 1 1 1 1
2 2 2   2 2 2
5
R3  R3   R2 4 R3  R2  
 16
 0 1 4 13 11   0 1 0 1 1 
0 0 1 3 3  0 0 1 3 3
   
   
 3 1 7
 1 0
2 2 2  R  3  R  R 1 0 0 1 2 
R1  R3  R1
  1  2  2 1  
 0 1 0 1 1   0 1 0 1 1 
0 0 1 3 3 0 0 1 3 3 
 
 
 36
REDUCED ROW ECHELON FORM
7 2 5 4 1 
 
A   3 6 7 2 8 
 2 4 2 9 4 

 11 37 
1 0 0 12 48 
 
31 7 
A  0 1 0
 24 48 
 
0 0 1 1 15 
 16 
 Giá trị riêng (Eigenvalues) và 37

Véctơ riêng (Eigenvector)

Cho ma trận vuông [A] kích thước (n x n). λ là giá trị riêng, và <v> là
véctơ riêng của ma trận [A], nếu thỏa mãn điều kiện sau:
 A  v  v 1
nxn n x1 n x1

Giá trị riêng λ là nghiệm của phương trình sau:

   
det   Δ    det   A      I    0;  2 - Là phương trình đặc trưng
 nxn   nxn  (Characteristic Equation)
   nxn 

 
Trong đó: Δ   A     I  (Characteristic Matrix)
  - Là ma trận đặc trưng
 nxn 
nxn  n x n 
Phương trình (2) có n nghiệm: λ1,λ2,…, λn. Mỗi nghiệm λi có véctơ
riêng <vi>.
 Giá trị riêng (Eigenvalues) và 38

Véctơ riêng (Eigenvector)

1 
     
L   2  V    v1 v2 vn 
n x1    n x n   n x1 
n x1 
 
n x1

n 
- Là ma trận (của) véctơ riêng
- Là véc tơ (của)
giá trị riêng
Có nghĩa là chúng ta sẽ có n đẳng thức sau:
 A  v1  1  v1
nxn n x1 n x1

 A  v n  n  v n
nxn n x1 n x1
 Giá trị riêng (Eigenvalues) và 39

Véctơ riêng (Eigenvector)

Khi có λi ta làm như sau để tìm véctơ riêng <vi>:
 
 A   vi  i  vi    A   i  I    vi  0
 nxn  n x1
nxn n x1 n x1  n x n 
Δ

 Δ 0  Dùng phép khử Gauss để đưa về dạng bậc

n x n n x1 thang (Reduced Row Echelon Form)
 Giá trị riêng (Eigenvalues) và 40

Véctơ riêng (Eigenvector)

1 3 3 
Tìm giá trị riêng và véctơ riêng    
A
    3 5 3 
của ma trận sau:  3x3 
6 6 4 
1. Tính ma trận đặc trưng (Characteristic Matrix)
  1   3 3 
 3 3 
     
Δ   A    I   5  
 
3x 3  3x 3 3x 3   6 6 4   
2. Tính phương trình đặc trưng (Characteristic Equation)
 
det  Δ     12  16      4    2   0
  3 2

 3x 3 
 
3. Giải phương trình đặc trưng ta có 3 nghiệm λ, từ đó có véctơ giá trị
riêng:
L   4 2 2
T

3x1
4.1. Tìm véctơ riêng <v1> của giá trị riêng λ1 = 4: 41

   3 3 3 0  R1
  A   1   I  0    3 9 3 
0  R2
  
 3x 3 4 3x 3   6 6 0 0  R3
3x1

1 
 2
v1   1 
 2
3x1
1 
 
4.2. Tìm véctơ riêng <v2> và <v3> của giá trị riêng λ2 = λ3 = -2: 42

   3 3 3 0  R1
  A   2   I  0    3 3 3 
0  R2
  
 3x 3 2 3x 3   6 6 6 0  R3
3x1

- ma trận (của) véctơ riêng

1 1 1
     2 
 V    v1 v2 vn    1 0 1
 3x 3   3x1  
3x1 
2 
3x1
 1 1 0
 

1   1
v2  0  ; v 3   1 
3x1 1  3x1  0 
 Ma trận Hessian xác định dương 43

(Positive Definite Hessian Matrix)

Ma trận Hessian sẽ là xác định dương nếu toàn bộ giá trị riêng của
nó mang dấu +
 2 1 0 
A   1 2 1 Ma trận đối xứng
 0 1 2 
2   1 0 
  A   I   1 2   1   det      3  6 2  10  4  0
 0 1 2   
2    0
Eiv  0.585786438    0  Ma trận xác định dương
3.414213562    0 
Chú {: Do ma trận Hessian là ma trận đối xứng nên các giá trị riêng
λi của nó luôn là các số thực chứ không phải số phức.
 Ma trận Hessian xác định dương 44

(Positive Definite Hessian Matrix)

Ma trận Hessian sẽ là xác định dương nếu toàn bộ giá trị của các
phần tử cơ sở (pivot) của nó đều dương
 2 1 0  R1
A   1 2 1 R2 Ma trận đối xứng
 0 1 2  R3
 2 1 0 
R2  2 R2  R1
    0 3 2 
 0 1 2 
 2 1 0 
  Toàn bộ các phần tử cơ sở >0
R3 3 R3  R2
   0 3 2  nên ma trận này xác định
  dương
 0 0 4 
 Ma trận Hessian xác định dương 45

(Positive Definite Hessian Matrix)

Ma trận Hessian sẽ là xác định dương nếu toàn bộ định thức của
các ma trận thành phần tính từ điểm bên trái trên cùng lớn hơn 0
A1  a11  0
a11 a12
A2  0
a21 a22
a11 a12 a13 a14
a11 a12 a13
a21 a22 a23 a24
A  A3  a21 a22 a23  0
a31 a32 a33 a34 a31 a32 a33
a41 a42 a43 a44 a11 a12 a13 a14
a21 a22 a23 a24
A4  0
a31 a32 a33 a34
a41 a42 a43 a44
 Ma trận Hessian xác định dương 46

(Positive Definite Hessian Matrix)

 2 1 0 
A   1 2 1 Ma trận đối xứng
 0 1 2 
A1  2  0
2 1
A2  30
1 2
2 1 0
2 1 1 1 1 2
A3  1 2 1  2 1 0 40
1 2 0 2 0 1
0 1 2
Toàn bộ các định thức thành phần >0 nên ma trận này xác định
dương
Cách này vất vả trong tính toán
 47
Tính lồi lõm (Convexity)
Hàm nhiều biến f  x  , x  x1 , x2 , , xn là hàm lồi nếu với mọi
1 1 1 1  T  2  2  2  2 T
cặp điểm x   x1 x2 xn  ; x   x1 x2 xn 

và λ thuộc khoảng 0    1 thỏa mãn điều kiện sau:
 
f  x 2  1    x1    f x 2  1    f x1  
 
 f x 2  1    f x1 
f  x 2  1    x 1 
 
f x1

 
f x 2

x 2
x1
 x 2  1    x1
 48
Tính lồi lõm (Convexity)
Hàm nhiều biến f  x  , x  x1 , x2 , , xn là hàm lõm nếu với mọi
1 1 1 1  T  2  2  2  2 T
cặp điểm x   x1 x2 xn  ; x   x1 x2 xn 

và λ thuộc khoảng 0    1 thỏa mãn điều kiện sau:
 
f  x 2  1    x1    f x 2  1    f x1  

f  x 2  1    x 1 

 
f x1
 
f x 2

   
 f x 2  1    f x1

x1 x 2
 x 2  1    x1
 49
Tính lồi lõm (Convexity)

Hàm nhiều biến f  x  , x  x1 , x2 , , xn là hàm lồi nếu ma trận

Hessian của nó [H] là bán xác định dương (positive semidefinite)

Bất cứ một cực tiểu địa phương (Local minimum) nào của một
hàm số lồi f(x) đều là cực tiểu toàn cục (Global minimum)
 50
Tính lồi lõm (Convexity)

Xác định tính lồi – lõm của các hàm số sau:

d2 f 
a)  H    2   e x  0  x  Hàm số lồi chặt chẽ
 dx 
d2 f 
b)  H    2   16  0 x  Hàm số lõm chặt chẽ
 dx 
  f2
2 f 
 x 2  Theo định nghĩa 2 của ma trận xác
x1x2  18 x1 0 
c)  H    2 1    định dương, do -12<0, nên ma trận
  f 2 f   0 12  này không thể dương. Nếu x1 < 0 thì
 2  ma trận này xác định âm  Hàm lõm

 2 1
x x  x2 
 51
Tính lồi lõm (Convexity)

d)  2 f 2 f 2 f 
 
 x 2
x1x2 x1x3 
8 6 1 
1
 2 f  Đưa về dạng bậc thang
2 f  f
2
 
H     6 6 0   bằng phép khử Gauss để
 x2 x1 x22 x2 x3 
1 0 10 
 2 f  xét dấu các pivot
2 f  f
2
 
 x3x1 x3x2 x3 
2

 
  8 Các phần tử
8 6 1   6 1 
  R 1 R R  cơ sở đều
3
R2  R1  R2
0 3 3 3 3
      0   dương do đó
3 2 3
4 2
1
R3  R1  R3  2 4  2 4 ma trận
 
8
3 79  
0   0 0
19  Hessian xác
 4 8   2  định dương
Hàm f lồi trên toàn miền số thực của x1, x2, x3
 52
Ôn tập về đạo hàm