matlab機(jī)械優(yōu)化設(shè)計(jì)培訓(xùn)資料-在線瀏覽
2025-02-02 07:07本頁面
【正文】 x = fminunc(fun,x0,options,P1,P2,...)將問題參數(shù) p p2等直接輸給目標(biāo)函數(shù) fun，將 options參數(shù)設(shè)置為空矩陣，作為 options參數(shù)的缺省值。 [x,fval,exitflag] = fminunc(...)返回 exitflag值，描述函數(shù)的輸出條件。 [x,fval,exitflag,output,grad] = fminunc(...)將解 x處 fun函數(shù)的梯度值返回到 grad參數(shù)中。 參數(shù)描述表 變 量 描 述 fun 為目標(biāo)函數(shù)。 fun函數(shù)需要輸入標(biāo)量參數(shù) x，返回 x處的目標(biāo)函數(shù)標(biāo)量值 f。myfun39。 options 優(yōu)化參數(shù)選項(xiàng)。其中有的參數(shù)適用于所有的優(yōu)化算法，有的則只適用于大型優(yōu)化問題，另外一些則只適用于中型問題。這僅僅是一個(gè)參考，因?yàn)槭褂么笮蛦栴}算法有一些條件。 l LargeScale – 當(dāng)設(shè)為 39。時(shí)使用大型算法，若設(shè)為 39。則使用中型問題的算法。 l Display – 顯示水平。off39。iter39。final39。打印最小化函數(shù)的診斷信息。對(duì)于大型問題此參數(shù)是必選的，對(duì)于中型問題則是可選項(xiàng)。 l MaxIter – 最大允許迭代次數(shù)。 l TolX – x處的終止容限。 l HessPattern – 用于有限差分的 Hessian矩陣的稀疏形式。若連矩陣的稀疏結(jié)構(gòu)都不知道，則可以將HessPattern設(shè)為密集矩陣，在每一次迭代過程中，都將進(jìn)行密集矩陣的有限差分近似（這是缺省設(shè)置）。 l MaxPCGIter – PCG迭代的最大次數(shù)。對(duì)于有些問題，增加帶寬可以減少迭代次數(shù)。 l TypicalX – 典型 x值。 l DiffMaxChange – 變量有限差分梯度的最大變化。 l LineSearchType – 一維搜索算法的選擇。 l 0 表示已經(jīng)達(dá)到函數(shù)評(píng)價(jià)或迭代的最大次數(shù)。 output 該參數(shù)包含下列優(yōu)化信息： l – 迭代次數(shù)。 l – 函數(shù)評(píng)價(jià)次數(shù)。 l – 最終步長(zhǎng)的大?。ㄖ挥糜谥行蛦栴}）。 習(xí)題 46 %目標(biāo)函數(shù) m文件，保存為 function f=myfun(x)。 %求解 m文件 options=optimset(39。,39。,39。,10e5,39。,10e5,39。,)。 [x,fval,exigflag,hessian]=fminunc(xiti4j6,x0,options) x = fval = exigflag = 1 hessian = iterations: 6 funcCount: 21 stepsize: 1 firstorderopt: algorithm: 39。 例： 初始點(diǎn) [1， 1] 程序：編輯 ： function f=ff(x) f=8*x(1)4*x(2)+x(1)^2+3*x(2)^2。%取初始點(diǎn)： [x,fval,exitflag]=fminunc(ff,x0) Optimization terminated successfully: Search direction less than 2* x = fval = exitflag = 1 注意 1．對(duì)于求解平方和的問題， fminunc函數(shù)不是最好的選擇，用 lsqnonlin函數(shù)效果更佳。on39。 局限性 1． 目標(biāo)函數(shù)必須是連續(xù)的。 2． fminunc函數(shù)只對(duì)實(shí)數(shù)進(jìn)行優(yōu)化，即 x必須為實(shí)數(shù)，而且 f(x)必須返回實(shí)數(shù)。 fminsearch函數(shù) 功能 ： 求解多變量無約束函數(shù)的最小值。 x = fminsearch(fun,x0) 初值為 x0，求 fun函數(shù)的局部極小點(diǎn) x。 x = fminsearch(fun,x0,options)用 options參數(shù)指定的優(yōu)化參數(shù)進(jìn)行最小化。 語法格式及描述： [x,fval] = fminsearch(...)將 x處的目標(biāo)函數(shù)值返回到 fval參數(shù)中。 [x,fval,exitflag,output] = fminsearch(...)返回包含優(yōu)化信息的輸出參數(shù) output。 fminunc與 fminsearch 對(duì)于求解二次以上的問題， fminsearch比 fminunc更有效，而且當(dāng)問題為高度非線性時(shí)，前者更有效。 三、約束最小化 相關(guān)函數(shù)介紹 fmincon函數(shù) 功能 ： 求多變量有約束非線性函數(shù)的最小值。 f(x), c(x), 和 ceq(x)可以是非線性函數(shù)。 fun函數(shù)的約束條件為 A*x = b， x0可以是標(biāo)量、向量或矩陣。若沒有不等式存在，則設(shè)置 A=[]、 b=[]。若無等式存在，則令 Aeq=[]、 beq=[]。 fmincon函數(shù)要求 c(x) = 0且 ceq(x) = 0。 x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options) 用optiions參數(shù)指定的參數(shù)進(jìn)行最小化。若不需要這些變量，則傳遞空矩陣到 A, b, Aeq, beq, lb, ub, nonlcon和 options。 [x,fval,exitflag] = fmincon(...) 返回 exitflag參數(shù)，描述函數(shù)計(jì)算的退出條件。 [x,fval,exitflag,output,lambda] = fmincon(...) 返回解 x處包含拉格朗日乘子的 lambda參數(shù)。 [x,fval,exitflag,output,lambda,grad,hessian] = fmincon(...) 返回解 x處 fun函數(shù)的 Hessian矩陣。默認(rèn)時(shí)，若在 fun函數(shù)中提供了梯度（ options參數(shù)的GradObj設(shè)置為’ on’ ），并且只有上下界存在或只有等式約束， fmincon函數(shù)將選擇大型算法。 [2] fmincon函數(shù)的中型算法使用的是序列二次規(guī)劃法。 [3] fmincon函數(shù)可能會(huì)給出局部最優(yōu)解，這與初值 X0的選取有關(guān)。 f=x(1)2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^2 再建立主程序 ： x0=[1。 A=[2 3 。 b=[6。 Aeq=[]。 VLB=[0。 VUB=[]。fun339。 f=exp(x(1)) *(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1) )12424()( 22122211 ????? xxxxxexf x
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1