非线性规划一维搜索.pptVIP

一维搜索的MATLAB求解 命令详解 x = fminbnd(fun,x1,x2) 返回标量函数fun在满足x1xx2条件下取最小值时设计变量x的值。 x = fminbnd(fun,x1,x2,options) 在求解问题的同时用options指定的优化参数进行目标函数的最小化 [x,fval] = fminbnd(...) 返回最优解x处的目标函数值fval。 [x,fval,exitflag] = fminbnd(...) 在优化计算结束之时返回exitflag值，描述函数计算的退出条件 [x,fval,exitflag,output] = fminbnd(...) 在优化计算结束之时返回返回结构变量output 命令分析 fminbnd只能解决设计变量为实变量的最优化问题，所求解最优化问题的目标函数必须是连续的，且fminbnd给出的可能只是目标函数的局部最优解。 当最优化问题的解位于区间边界附近时，fminbnd算法可能收敛的很慢，此时使用fmincon函数求解问题时的计算速度更快，计算精度更高，fmincon的用法我们将在之后讲解。 一维搜索的MATLAB求解 例1 求解一维搜索问题 [x,fval,exitflag,output] = fminbnd(@sin,0,2*pi) %最优解 x = 4.7124 %最优解x处的目标函数值 fval = -1.0000 exitflag = 1 output = iterations: 8 funcCount: 9 algorithm: golden section search, parabolic interpolation message: [1x112 char]To find the minimum of the function 一维搜索的MATLAB求解 例2 求解一维搜索问题 首先用M-函数定义目标函数 function f=myfun(x) f=(x-5)^2+7; 然后调用fminbnd函数求解 [x,fval] = fminbnd(@myfun,0,10) x = 5 fval = 7 如果用匿名函数的形式则可以写成如下形式 [x,fval] = fminbnd(@(x)(x-5)^2+7,0,10) x = 5 fval = 7 Company Logo LOGO 第六章 非线性规划 一维搜索 概述 当用迭代法求函数的极小点时，常常要用到一维搜索，即沿某一已知方向求目标函数的极小点。 一维搜索的方法很多，常用的有试探法、插值法和微积分中的求根法，下面我们首先给出一维搜索算法的基本思想，然后对一些经典的算法进行探讨。 一维搜索的基本思想 一维搜索的基本方法 一维搜索的实施步骤 确定搜索区间 一维搜索的实施步骤 确定搜索区间 一维搜索的实施步骤 确定搜索区间 一维搜索的实施步骤 确定搜索区间的算法图示 一维搜索的实施步骤 逐步缩小搜索区间 试探法——黄金分割法 算法概述 0.618法又称黄金分割法，它是一种等比例缩短区间的直接搜索方法 其基本思想是通过比较单峰区间内两点的函数值，不断舍弃单峰区间的左端或右端的一部分，使区间按固定区间缩小率逐步缩小，直到极小点所在区间缩小到给定的误差范围内而得到近似最优解 由于前面的内容已经涉及了如何逐步缩小搜索区间，那么本方法的关键就是如何保证区间缩小率不变。 试探法——黄金分割法 算法分析 试探法——黄金分割法 算法分析 试探法——黄金分割法 算法流程 试探法——黄金分割法 算法流程图 插值法——牛顿法 黄金分割法的局限性 对于0.618法，对于所计算的各个探索点上的函数值，仅仅用来比较其大小，而在各试探点的具体函数值等这些非常有用的信息却没有被利用，因此算法收敛速度都较慢，为了充分利用有用的信息，我们有插值法或称为多项式逼近法。 插值法的基本思想 插值法——牛顿法 插值法的常用工具 多项式是函数逼近最常用的一种工具，在搜索区间内利用若干探索点处的函数值来构造低次多项式，用它作为函数的近似表达式，并用这个多项式的极小点作为原函数极小点的近似值。在这里介绍两种用二次多项式函数逼近原函数的方法。一种方法是牛顿法，它是利用一点的函数值、一阶导数值和二阶导数值来构造二次函数的。另一种方法是抛物线法，