数学建模-优化问题详解.pptVIP

有约束问题matlab解法 求无约束问题得最优解为X(M),直观看出， 只有当X(M) ∈S才可能真正取得极小值，若 就加大罚因子M，使X(M) 向S逼近， 当M→＋∞时，点列 非线性规划－有约束问题 计算步骤：（第k次迭代） 非线性规划－有约束问题 [x,fval] = fmincon(@myfun,x0,A,b) [x,fval ]= fmincon(@myfun,x0,A,b,Aeq,beq) [x,fval] = fmincon(@myfun,x0,A,b,Aeq,beq,lb,ub) [x ,fval]= fmincon(@myfun,x0,A,b,Aeq,beq,lb,ub,@comfun) 缺省的用［］代替．@myfun与confun是M- 函数的地址具体如: 目标函数： Function f=myfun(x) 非线性约束： function [c, ceq] = confun(x) %Nonlinear inequality constraints c = [c1(x);c2(x);…..]; %Nonlinear equality constraints ceq = [ceq1(x); ceq2(x);…..]; M-函数 * * 约束优化constrained optimization的简单分类 数学规划mathematical programming 或连续优化continuous optmization 线性规划(LP) 目标和约束均为线性函数 Linear programming 非线性规划(NLP) 目标或约束中存在非线性函数 Nonlinear programming 二次规划(QP) 目标为二次函数、约束为线性 Quadratic programming 一般优化问题概述 整数规划(IP) 决策变量(全部或部分)为整数 Integer programming 整数线性规划(ILP)，整数非线性规划(INLP) 纯整数规划(PIP), 混合整数规划(MIP) Pure (mixed) Integer programming 一般整数规划，0-1（整数）规划 Zero-one programming 离散优化discrete optimization 或组合优化combinatorial optimization 一般优化问题概述 无约束最优化问题 求解无约束最优化问题的的基本思想 *无约束最优化问题的基本算法 返回 标准形式： 求解无约束最优化问题的基本思想 求解的基本思想 ( 以二元函数为例 ) 5 3 1 连续可微 多局部极小 唯一极小 (全局极小) 搜索过程 最优点 (1 1) 初始点 (-1 1) -1 1 4.00 -0.79 0.58 3.39 -0.53 0.23 2.60 -0.18 0.00 1.50 0.09 -0.03 0.98 0.37 0.11 0.47 0.59 0.33 0.20 0.80 0.63 0.05 0.95 0.90 0.003 0.99 0.99 1E-4 0.999 0.998 1E-5 0.9997 0.9998 1E-8 返回 无约束优化问题的基本算法 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位.最速下降法的优点是工作量小，存储变量较少,初始点要求不高；缺点是收敛慢，最速下降法适用于寻优过程的前期迭代或作为间插步骤，当接近极值点时，宜选用别种收敛快的算法. 1．最速下降法（共轭梯度法）算法步骤： 2．牛顿法算法步骤： 如果f是对称正定矩阵A的二次函数，则用牛顿法经过一次迭代 就可达到最优点,如不是二次函数，则牛顿法不能一步达到极值点， 但由于这种函数在极值点附近和二次函数很近似,因此牛顿法的收 敛速度还是很快的. 牛顿法的收敛速度虽然较快，但要求Hessian矩阵要可逆，要计算二阶导数和逆矩阵，就加大了计算机计算量和存储量. Matlab优化工具箱简介 1.MATLAB求解优化问题的主要函数 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: 3. 优化函数的输出变量下表: 用Matlab解无约束优化问题 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。 常用格式如下： （1）x= fminbnd (fun,x1,x2) （2）x= fminbnd (fun,x1,x2 ，options) （3）[x