《机械优化设计》复习题涵盖了优化设计中的关键概念和方法，包括数学规划法、最速下降法、凸优化、进退法、梯度法、牛顿法、黄金分割法、共轭梯度法以及内外点法等。以下是这些知识点的详细解释：
1. **最速下降法**：在优化问题中，最速下降法是一种寻找搜索方向的方法，它沿着目标函数梯度的反方向移动，以期望最快地下降到函数的局部最小值。在题中提到的 `-47,-50` 是最速下降法中一个搜索方向的例子。
2. **数学规划法**：这是解决优化问题的核心方法，主要包括寻找合适的搜索方向和确定最优步长。搜索方向决定了每次迭代更新的方向，而最优步长则决定每次更新的幅度，以平衡下降速度和收敛精度。
3. **凸优化**：如果优化问题是凸的，那么局部最优解也是全局最优解，因为凸函数没有局部最小值之外的其他极小值。
4. **进退法**：在确定搜索区间时，通过调整三个点（始点、中间点、终点）的函数值，形成高-低-高的趋势，来找到函数的极值点。
5. **维度**：优化问题的维度指的是设计变量的数量，如包含n个设计变量的问题称为n维优化问题。
6. **梯度**：函数的梯度是一个向量，表示了函数在每个方向上的变化率，对于函数 `f(X) = 100(x2 - x1)^2 + (1 - x1)^2`，梯度为 `[-400*(x2 - x1) - 2*(1 - x1), 200*(x2 - x1)]`。
7. **对称正定矩阵**：在矩阵理论中，对称正定矩阵意味着矩阵与其转置相等，并且所有特征值都是正的，这在优化问题中常用于描述二次型函数的性质。
8. **KKT条件**（Karush-Kuhn-Tucker条件）：在约束优化问题中，极小点处目标函数的梯度和约束函数梯度的非负线性组合等于零，这是必要条件。
9. **牛顿法**：牛顿法的搜索方向是Hessian矩阵（海塞矩阵）的逆乘以梯度，但计算量大，且要求初始点接近极小点。
10. **外点法**：这种方法将约束优化问题转化为外点形式，通过引入惩罚因子，使得不满足约束的解受到惩罚，适用于包含不等式和等式约束的问题。
11. **黄金分割法**：一维搜索中常用的一种方法，它在搜索区间内插入两个点，通过黄金比例来确定新区间，以逼近极值点。
12. **设计变量、目标函数、约束条件**：这些是优化设计问题的三大基本要素，构建问题的数学模型。
13. **变尺度法**：一种迭代算法，迭代公式为 `x = x - a_k U V f(x)`，其中U和V是矩阵，a_k是步长，H必须满足对称正定条件。
14. **梯度、海塞矩阵**：梯度描述函数的局部变化，而海塞矩阵则描述二阶变化，对于凸函数，海塞矩阵在所有点上都是正定的。
15. **一维搜索**：在确定最优步长的过程中，通过比较不同点的函数值来缩小搜索区间。
以上是复习题中涉及的主要知识点，这些内容构成了优化设计的基础理论和技术。掌握这些知识，对于理解和解决实际的工程优化问题至关重要。
