MATLAB非线性优化fmincon.doc

active-set and sqp algorithms 不接受用户提供的海塞矩阵，对拉格朗日的海塞矩阵提供一个拟牛顿的近似值； 目标函数估值次数与迭代次数？ 优化成功或失败 一、求解失败 1、在到达迭代次数阈值或目标函数估值次数阈值时，求解器没有最小化目标到要求的精度，此时求解器停止。接下来，可以尝试以下方法： （1）设置‘Display’为‘iter’，查看每步的迭代信息，这些信息包括：目标函数（Fval or f(x) or Resnorm）是否是下降的；检查约束越界（Max constraint）是否是递减趋向于0；查看一阶优化是否是递减趋向于0；查看置信域半径(Trust-region radius)是否下降趋向于一个小的值。若其中至少一种情况为是，就表示结果是不断改善的。如果结果是不断改善的，可以采取下边的措施：设置MaxIter、MaxFunEvals比默认值大的值，默认值可以在优化工具箱或求解器的函数参考页的优化表中查看；从最后计算出的点开始重新求解。如果结果没有改善，尝试以下其他的方法。 （2）放松精度 如果TolX或TolFun太小，当求解器达到一个最小值时可能也不会识别到，这就会导致无限次徒劳的迭代。DiffMaxChange和DiffMinChange选项能影响求解器的改善，它们控制求导估计中有限差分的步长。 （3）从不同的初始点重新开始求解 （4）检查目标函数和约束函数的定义 举个例子，可以检查目标函数和非线性约束函数在某些特定点处返回正确的值。不可行的点不一定导致函数的错误。 （5）对问题进行中心化和标准化 当每个坐标轴对目标函数和约束函数有相同的影响时，求解器更能可靠的运行，对每个坐标轴方向乘以合适的量使得每个坐标轴的影响相同，在特定的坐标轴上加上合适的值使得它们长度一致。 （6）提供解析的梯度和雅可比矩阵 如果用户不提供解析的梯度或雅可比矩阵，求解器会用有限差分来估计这些值，因此提供这些导数可以减少运算时间，提高计算准确度。 对于约束问题，提供梯度还有另一个好处----求解器到达一个点x时能满足该点是可行的，但有限差分在x点周围可能会导致不可行的点，在这种情况下，求解器可能会失败或突然中断。 （7）提供海塞矩阵 当提供海塞矩阵时，求解器能运行的更可靠，而且运行的次数比较少。 2、无可行点 在TolCon约束精度内，求解器不能找到一个满足所有约束条件的点，此时，可以尝试以下方法： （1）检查线性约束 通过求解一个线性规划问题来找到一个满足界约束和线性约束的点。 i)定义一个目标函数是常值0的线性规划问题 f = zeros(size(x0)); % assumes x0 is the initial point ii)求解这个线性规划问题看是否有一个可行点 xnew = linprog(f,A,b,Aeq,beq,lb,ub); iii)如果有可行点xnew，用xnew作为初始点去求解原始问题 iv)如果没有可行点，那说明原始模型建的不好，检查界约束和线性约束。 （2）检查非线性约束 在保证界约束和线性约束是可行的之后，检查非线性约束： i)设置目标函数为0，然后求解优化问题，如果能找到一个可行点xnew，令x0=xnew返回到原始问题中去 ii)如果用0目标函数不能找到一个可行点，尝试几个不同的初始点重新求解，如果找到了一个可行点xnew，令x0=xnew并返回到原始问题中去，如果仍没找到可行点，试着用下列方法放松约束条件。 a.改变非线性约束函数c为c-Δ，Δ是一个正数，这会使得非线性约束更容易满足。 b.尝试用原始的目标函数或0目标函数对新的约束函数寻找一个可行点。如果找到一个可行点，那么减少Δ，并在之前找到的点处开始对新的约束函数重新找一个可行点；如果没有找到一个可行点，试着增大Δ并重新找。 如果一直没有找到可行点，那么原始问题可能确实是不可行的，重新检查约束函数的定义。 3、问题是无界的 求解器到达一个目标函数小于目标阈值界的点，那么 （1）原问题可能确实无界，即存在一系列满足问题约束的点xi，使得lim f(xi) = –∞。 （2）检查原问题建模正确，求解器是最小化目标函数，如果想得到最大化，将目标函数乘以-1. （3）试着标准化或中心化原问题。 （4）放松目标函数界精度，用optimset减少ObjectiveLimit设定的精度值。 二、求解可能成功 1、最后的点等于初始点 初始点可能是局部极小点，因为它的一阶导数接近0，如果并不确定初始点确实是一个局部极小点，尝试下边的步骤： （1）从不同的点开始重新求解 （2）检查目标函数和约束函数定义正确。 （3）改变精度，如TolFun,TolCon,TolX （4）标准化原问题，使得每个坐标轴有相同的影响。 （5）提供解析