Matlab优化工具箱学习

简介:

一直知道Matlab的优化工具箱,可是一直都没有学习,Matlab提供的功能主要有线性规划、非线性规划、极值问题等,这些也是比较常见的优化问题。

优化工具箱概述

 

1.MATLAB求解优化问题的主要函数

 

clip_image002

2.优化函数的输入变量

使用优化函数或优化工具箱中其它优化函数时输入变量见下表:

clip_image004

 

3. 优化函数的输出变量下表:

clip_image006

4.控制参数options的设置

Options中常用的几个参数的名称、含义、取值如下:

(1)   Display显示水平.取值为’off’,不显示输出取值为’iter’,显示每次迭代的信息;取值为’final’,显示最终结果.默认值为’final’.

(2)   MaxFunEvals允许进行函数评价的最大次数,取值为正整数.

(3)  MaxIter允许进行迭代的最大次数,取值为正整数

控制参数options可以通过函数optimset创建或修改。命令的格式如下:

(1) options=optimset(‘optimfun’)

   创建一个含有所有参数名,并与优化函数optimfun相关的默认值的选项结构options.

2options=optimset(‘param1’,value1,’param2’,value2,...)

   创建一个名称为options的优化选项参数,其中指定的参数具有指定值,所有未指定的参数取默认值.

(3)options=optimset(oldops,‘param1’,value1,’param2’,

            value2,...)

   创建名称为oldops的参数的拷贝,用指定的参数值修改oldops中相应的参数.

例:opts=optimset(‘Display’,’iter’,’TolFun’,1e-8)

  该语句创建一个称为opts的优化选项结构,其中显示参数设为’iter’, TolFun参数设为1e-8.

 

Matlab解无约束优化问题

 

一元函数无约束优化问题clip_image008

常用格式如下:

1x= fminbnd (fun,x1,x2)

2x= fminbnd (fun,x1,x2 options)

3[xfval]= fminbnd...

4[xfvalexitflag]= fminbnd...

5[xfvalexitflagoutput]= fminbnd...

其中(3)、(4)、(5)的等式右边可选用(1)或(2)的等式右边。

   函数fminbnd的算法基于黄金分割法和二次插值法,它要求目标函数必须是连续函数,并可能只给出局部最优解。

例1 求clip_image010在0<x<8中的最小值与最大值

主程序为wliti1.m:

        f='2*exp(-x).*sin(x)';

        fplot(f,[0,8]);         %作图语句

        [xmin,ymin]=fminbnd (f, 0,8)

        f1='-2*exp(-x).*sin(x)';

        [xmax,ymax]=fminbnd (f1, 0,8)

运行结果:

          xmin = 3.9270        ymin = -0.0279

          xmax =  0.7854       ymax =  0.6448

 

2  对边长为3米的正方形铁板,在四个角剪去相等的正方形以制成方形无盖水槽,问如何剪法使水槽的容积最大?

clip_image012clip_image013

 

 

 

先编写M文件fun0.m如下:

  function f=fun0(x)

  f=-(3-2*x).^2*x;

主程序为wliti2.m:

  [x,fval]=fminbnd('fun0',0,1.5);

  xmax=x

  fmax=-fval

运算结果为: xmax = 0.5000,fmax =2.0000.即剪掉的正方形的边长为0.5米时水槽的容积最大,最大容积为2立方米.

2、多元函数无约束优化问题

标准型为min F(X)

命令格式为:

1x= fminuncfun,X0 );或x=fminsearchfun,X0 

2x= fminuncfun,X0 options);

     x=fminsearchfun,X0 options

3[xfval]= fminunc...);

     [xfval]= fminsearch...

4[xfvalexitflag]= fminunc...);

     [xfvalexitflag]= fminsearch

5[xfvalexitflagoutput]= fminunc...);

     [xfvalexitflagoutput]= fminsearch...

说明:

    fminsearch是用单纯形法寻优. fminunc的算法见以下几点说明:

[1] fminunc为无约束优化提供了大型优化和中型优化算法。由options中的参数LargeScale控制:

LargeScale=’on’(默认值),使用大型算法

LargeScale=’off’(默认值),使用中型算法

[2] fminunc为中型优化算法的搜索方向提供了4种算法,由

    options中的参数HessUpdate控制:

HessUpdate=’bfgs’(默认值),拟牛顿法的BFGS公式;

HessUpdate=’dfp’,拟牛顿法的DFP公式;

HessUpdate=’steepdesc’,最速下降法

[3] fminunc为中型优化算法的步长一维搜索提供了两种算法,    options中参数LineSearchType控制:

LineSearchType=’quadcubic’(缺省值),混合的二次和三次多项式插值;

LineSearchType=’cubicpoly’,三次多项式插

    使用fminunc fminsearch可能会得到局部最优解.

min f(x)=(4x12+2x22+4x1x2+2x2+1)*exp(x1)

1、编写M-文件 fun1.m:

    function f = fun1 (x)

    f = exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);

 

 2、输入M文件wliti3.m如下:

       x0 = [-1, 1];

       x=fminunc(‘fun1’,x0);

       y=fun1(x)

3、运行结果:

       x=   0.5000     -1.0000

       y =   1.3029e-10

 

例4   Rosenbrock 函数 f(x1,x2)=100(x2-x122+(1-x1)2

      的最优解(极小)为x*=(1,1),极小值为f*=0.试用

      不同算法(搜索方向和步长搜索)求数值最优解.

          初值选为x0=(-1.2 , 2).

 

1.为获得直观认识,先画出Rosenbrock  函数的三维图形,

  输入以下命令:

     [x,y]=meshgrid(-2:0.1:2,-1:0.1:3);

     z=100*(y-x.^2).^2+(1-x).^2;

     mesh(x,y,z)

2. 画出Rosenbrock  函数的等高线图,输入命令:

     contour(x,y,z,20)

     hold on

     plot(-1.2,2,' o ');

     text(-1.2,2,'start point')

     plot(1,1,'o')

     text(1,1,'solution')

3.fminsearch函数求解

输入命令:

   f='100*(x(2)-x(1)^2)^2+(1-x(1))^2';

   [x,fval,exitflag,output]=fminsearch(f, [-1.2 2])

运行结果:

       x =1.0000    1.0000

fval =1.9151e-010

exitflag = 1

output =

             iterations: 108

             funcCount: 202

            algorithm: 'Nelder-Mead simplex direct search'

 

4. fminunc 函数

(1)建立M-文件fun2.m

          function f=fun2(x)

          f=100*(x(2)-x(1)^2)^2+(1-x(1))^2

(2)主程序wliti44.m

Rosenbrock函数不同算法的计算结果

clip_image015

可以看出,最速下降法的结果最差.因为最速下降法特别不适合于从一狭长通道到达最优解的情况.

5  产销量的最佳安排

    某厂生产一种产品有甲、乙两个牌号,讨论在产销平衡的情况下如何确定各自的产量,使总利润最大所谓产销平衡指工厂的产量等于市场上的销量.

   符号说明

z(x1,x2)表示总利润;

p1,q1,x1分别表示甲的价格、成本、销量;

p2,q2,x2分别表示乙的价格、成本、销量;

    aij,bi,λi,ci(i,j =1,2)是待定系数.

基本假设

1.价格与销量成线性关系

利润既取决于销量和价格,也依赖于产量和成本。按照市场规律,

甲的价格p1会随其销量x1的增长而降低,同时乙的销量x2的增长也

会使甲的价格有稍微的下降,可以简单地假设价格与销量成线性关系,

即:   p= b- a11 x- a12 x,b1,a11,a12 > 0,且a11 > a12

同理, p= b- a21 x1- a22 x,b2,a21,a22 > 0

2.成本与产量成负指数关系

甲的成本随其产量的增长而降低,且有一个渐进值,可以假设为

负指数关系,即:

        clip_image017 clip_image019

同理,    clip_image019clip_image021

模型建立

总利润为: z(x1,x2)=(p1-q1)x1+(p2-q2)x2

若根据大量的统计数据,求出系数b1=100,a11=1,a12=0.1,b2=280,

a21=0.2,a22=2,r1=30,λ1=0.015,c1=20, r2=100,λ2=0.02,c2=30,

问题转化为无约束优化问题:求甲,乙两个牌号的产量x1x2,使

总利润z最大.

为简化模型,先忽略成本,并令a12=0,a21=0,问题转化为求:

        z1 = ( b1 - a11x1 ) x1 + ( b2 - a22x2 ) x2

的极值显然其解为x1 = b1/2a11 = 50, x2 = b2/2a22 = 70,

我们把它作为原问题的初始值.

模型求解

1.建立M-文件fun.m: 

      function f = fun(x)

      y1=((100-x(1)- 0.1*x(2))-(30*exp(-0.015*x(1))+20))*x(1);

      y2=((280-0.2*x(1)- 2*x(2))-(100*exp(-0.02*x(2))+30))*x(2);

      f=-y1-y2;

2.输入命令:

      x0=[50,70];

      x=fminunc(‘fun’,x0),

      z=fun(x)

3.计算结果:

      x=23.9025, 62.4977,  z=6.4135e+003

  即甲的产量为23.9025,乙的产量为62.4977,最大利润为6413.5.

 

 二次规划

clip_image023
 

 

 

 

 

 

 

MATLAB软件求解,其输入格式如下:

   1.      x=quadprog(H,C,A,b);

   2.      x=quadprog(H,C,A,b,Aeq,beq);

   3.      x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB);

   4.      x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0);

   5.      x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0,options);

   6.      [x,fval]=quaprog(...);

   7.      [x,fval,exitflag]=quaprog(...);

   8.      [x,fval,exitflag,output]=quaprog(...);

1    min f(x1,x2)=-2x1-6x2+x12-2x1x2+2x22

         s.t.   x1+x22

                -x1+2x22

                x10, x20

1、写成标准形式:

clip_image026

 

2 输入命令

     H=[1 -1; -1 2];

      c=[-2 ;-6];A=[1 1; -1 2];b=[2;2];

      Aeq=[];beq=[]; VLB=[0;0];VUB=[];

      [x,z]=quadprog(H,c,A,b,Aeq,beq,VLB,VUB)

3运算结果为:

     x =0.6667  1.3333   z = -8.2222

 

一般非线性规划

 

标准型为:

   min F(X)

        s.t AX<=b    clip_image028   G(X)clip_image030

            Ceq(X)=0    VLBclip_image032Xclip_image032VUB

其中Xn维变元向量,G(X)Ceq(X)均为非线性函数组成的向量,其它变量的含义与线性规划、二次规划中相同.Matlab求解上述问题,基本步骤分三步:

1. 首先建立M文件fun.m,定义目标函数FX:

function f=fun(X);

f=F(X);

2. 若约束条件中有非线性约束:G(X)clip_image030Ceq(X)=0,则建立M文件nonlcon.m定义函数G(X)Ceq(X):

function [G,Ceq]=nonlcon(X)

G=...

Ceq=...

3. 建立主程序.非线性规划求解的函数是fmincon,命令的基本格式如下:

       (1)  x=fmincon(‘fun’,X0,A,b)

   (2)  x=fmincon(‘fun’,X0,A,b,Aeq,beq)

   (3)  x=fmincon(‘fun’,X0,A,b, Aeq,beq,VLB,VUB)

         (4) x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’)

(5)x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’,options)  

              (6) [x,fval]= fmincon(...)

      (7) [x,fval,exitflag]= fmincon(...)

  (8)[x,fval,exitflag,output]= fmincon(...)

注意:

 

[1] fmincon函数提供了大型优化算法和中型优化算法。默认时,若在fun函数中提供了梯度(options参数的GradObj设置为’on’),并且只有上下界存在或只有等式约束,fmincon函数将选择大型算法。当既有等式约束又有梯度约束时,使用中型算法。

[2] fmincon函数的中型算法使用的是序列二次规划法。在每一步迭代中求解二次规划子问题,并用BFGS法更新拉格朗日Hessian矩阵。

[3] fmincon函数可能会给出局部最优解,这与初值X0的选取有关。

2 clip_image034

s.t.clip_image036

 

clip_image040

2先建立M-文件 fun3.m:

    function f=fun3(x);

    f=-x(1)-2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^2

3、再建立主程序youh2.m

        x0=[1;1];

     A=[2 3 ;1 4]; b=[6;5];

     Aeq=[];beq=[];

     VLB=[0;0]; VUB=[];

   [x,fval]=fmincon('fun3',x0,A,b,Aeq,beq,VLB,VUB)

4运算结果为:

   x = 0.7647       1.0588

   fval =   -2.0294

 

 

3

clip_image042

 

 

1先建立M文件 fun4.m,定义目标函数:

      function f=fun4(x);  

      f=exp(x(1))

       *(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);

2.再建立M文件mycon.m定义非线性约束:

      function [g,ceq]=mycon(x)

      g=[x(1)+x(2);1.5+x(1)*x(2)-x(1)-x(2);-x(1)*x(2)-10];

3.主程序youh3.m:

x0=[-1;1];

A=[];b=[];

Aeq=[1 1];beq=[0];

vlb=[];vub=[];

[x,fval]=fmincon('fun4',x0,A,b,Aeq,beq,vlb,vub,'mycon')

3. 运算结果为:

       x = -1.2250    1.2250

       fval = 1.8951

例4.资金使用问题

设有400万元资金, 要求4年内使用完, 若在一年内使用资金x万元, 则可得效益clip_image044万元(效益不能再使用),当年不用的资金可存入银行, 年利率为10%. 试制定出资金的使用计划, 以使4年效益之和为最大.

设变量clip_image046表示第i年所使用的资金数,则有

      clip_image048

 

 

 

1先建立M文件 fun44.m,定义目标函数:

       function f=fun44(x)

       f=-(sqrt(x(1))+sqrt(x(2))+sqrt(x(3))+sqrt(x(4)));

2.再建立M文件mycon1.m定义非线性约束:

      function [g,ceq]=mycon1(x)

      g(1)=x(1)-400;

g(2)=1.1*x(1)+x(2)-440;

g(3)=1.21*x(1)+1.1*x(2)+x(3)-484;

g(4)=1.331*x(1)+1.21*x(2)+1.1*x(3)+x(4)-532.4;

ceq=0

3.主程序youh4.m:

x0=[1;1;1;1];vlb=[0;0;0;0];vub=[];A=[];b=[];Aeq=[];beq=[];

[x,fval]=fmincon('fun44',x0,A,b,Aeq,beq,vlb,vub,'mycon1')

得到 clip_image050

     

线性规划问题

线性规划问题是目标函数和约束条件均为线性函数的问题,MATLAB6.0 解决的线性规划问题的标准形式为:

min f(x)

sub.to:

          x A ≤b ⋅  x Aeq = beq⋅ ub≤ x≤ lb 

其中 f、x、b、beq、lb、ub 为向量,A、Aeq 为矩阵。 其它形式的线性规划问题都可经过适当变换化为此标准形式。

x = linprog(f,A,b,Aeq,beq,lb,ub,x0)      %设置初值 x0

 

“半无限”有约束的多元函数最优解

image

x  =  fseminf(fun,x0,ntheta,seminfcon) 
x = fseminf(fun,x0,ntheta,seminfcon,A,b) 
x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq) 
x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq,lb,ub) 
x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq,lb,ub,options) 
[x,fval] = fseminf(⋯) 
[x,fval,exitflag] = fseminf(⋯) 
[x,fval,exitflag,output] = fseminf(⋯) 
[x,fval,exitflag,output,lambda] = fseminf(⋯)

image

image

极小化极大问题

image

例子:

image

最小二乘最优问题

约束线性最小二乘

image

非线性数据拟合

image

非线性最小二乘

image

image

非负线性最小二乘

image

 

非线性方程的解


非线性方程的标准形式为 f(x)=0 
函数    fzero 
格式    x  =  fzero  (fun,x0)      %用 fun 定义表达式 f(x),x0 为初始解。 
x = fzero (fun,x0,options) 
[x,fval] = fzero(⋯)          %fval=f(x) 
[x,fval,exitflag] = fzero(⋯)

[x,fval,exitflag,output] = fzero(⋯) 
说明    该函数采用数值解求方程 f(x)=0 的根。

非线性方程组的解


非线性方程组的标准形式为:F(x) = 0 
其中:x 为向量,F(x)为函数向量。 
函数    fsolve 
格式    x  =  fsolve(fun,x0)      %用 fun  定义向量函数,其定义方式为:先定义方程函数
function F = myfun (x)。 
F =[表达式 1;表达式 2;⋯表达式 m]      %保存为 myfun.m,并用下面方式调用:
x = fsolve(@myfun,x0),x0 为初始估计值。 
x = fsolve(fun,x0,options) 
[x,fval] = fsolve(⋯)          %fval=F(x),即函数值向量 
[x,fval,exitflag] = fsolve(⋯) 
[x,fval,exitflag,output] = fsolve(⋯) 

[x,fval,exitflag,output,jacobian] = fsolve(⋯)      %  jacobian 为解 x 处的 Jacobian 阵。

本文转自feisky博客园博客,原文链接:http://www.cnblogs.com/feisky/archive/2009/10/24/1589260.html,如需转载请自行联系原作者



相关实践学习
部署高可用架构
本场景主要介绍如何使用云服务器ECS、负载均衡SLB、云数据库RDS和数据传输服务产品来部署多可用区高可用架构。
负载均衡入门与产品使用指南
负载均衡(Server Load Balancer)是对多台云服务器进行流量分发的负载均衡服务,可以通过流量分发扩展应用系统对外的服务能力,通过消除单点故障提升应用系统的可用性。 本课程主要介绍负载均衡的相关技术以及阿里云负载均衡产品的使用方法。
相关文章
|
5天前
|
算法
MATLAB|【免费】融合正余弦和柯西变异的麻雀优化算法SCSSA-CNN-BiLSTM双向长短期记忆网络预测模型
这段内容介绍了一个使用改进的麻雀搜索算法优化CNN-BiLSTM模型进行多输入单输出预测的程序。程序通过融合正余弦和柯西变异提升算法性能,主要优化学习率、正则化参数及BiLSTM的隐层神经元数量。它利用一段简单的风速数据进行演示,对比了改进算法与粒子群、灰狼算法的优化效果。代码包括数据导入、预处理和模型构建部分,并展示了优化前后的效果。建议使用高版本MATLAB运行。
|
6天前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
摘要: 本文介绍了使用matlab2022a中优化后的算法,应用于时间序列回归预测,结合CNN、LSTM和Attention机制,提升预测性能。GWO算法用于优化深度学习模型的超参数,模拟灰狼社群行为以求全局最优。算法流程包括CNN提取局部特征,LSTM处理序列依赖,注意力机制聚焦相关历史信息。GWO的灰狼角色划分和迭代策略助力寻找最佳解。
|
7天前
|
资源调度 算法 块存储
m基于遗传优化的LDPC码OMS译码算法最优偏移参数计算和误码率matlab仿真
MATLAB2022a仿真实现了遗传优化的LDPC码OSD译码算法,通过自动搜索最佳偏移参数ΔΔ以提升纠错性能。该算法结合了低密度奇偶校验码和有序统计译码理论,利用遗传算法进行全局优化,避免手动调整,提高译码效率。核心程序包括编码、调制、AWGN信道模拟及软输入软输出译码等步骤,通过仿真曲线展示了不同SNR下的误码率性能。
10 1
|
7天前
|
算法 Serverless
m基于遗传优化的LDPC码NMS译码算法最优归一化参数计算和误码率matlab仿真
MATLAB 2022a仿真实现了遗传优化的归一化最小和(NMS)译码算法,应用于低密度奇偶校验(LDPC)码。结果显示了遗传优化的迭代过程和误码率对比。遗传算法通过选择、交叉和变异操作寻找最佳归一化因子,以提升NMS译码性能。核心程序包括迭代优化、目标函数计算及性能绘图。最终,展示了SNR与误码率的关系,并保存了关键数据。
19 1
|
7天前
|
数据安全/隐私保护
耐震时程曲线,matlab代码,自定义反应谱与地震波,优化源代码,地震波耐震时程曲线
地震波格式转换、时程转换、峰值调整、规范反应谱、计算反应谱、计算持时、生成人工波、时频域转换、数据滤波、基线校正、Arias截波、傅里叶变换、耐震时程曲线、脉冲波合成与提取、三联反应谱、地震动参数、延性反应谱、地震波缩尺、功率谱密度
|
7天前
|
算法 调度
考虑需求响应的微网优化调度模型【粒子群算法】【matlab】
考虑需求响应的微网优化调度模型【粒子群算法】【matlab】
|
7天前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
|
7天前
|
供应链 算法
基于分布式优化的多产消者非合作博弈能量共享(Matlab代码)
基于分布式优化的多产消者非合作博弈能量共享(Matlab代码)
|
7天前
|
算法 调度
基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)
基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)
|
7天前
|
调度
Matlab|面向低碳经济运行目标的多微网能量互联优化调度
Matlab|面向低碳经济运行目标的多微网能量互联优化调度

热门文章

最新文章