优化与统计.docVIP

六．优化工具箱（Optimization Toolbox）简介 6．1 优化工具箱的功能及应用步骤 基本功能 求解线性规划和二次规划问题； 求解无约束条件非线性的极小值问题； 求解带约束条件非线性的极小值问题； 求解非线性方程组； 求解带约束的线性最小二乘问题； 求解非线性最小二乘逼近和曲线拟合问题。 应用步骤 根据所提出的最优化问题，建立数学模型，确定变量、约束条件合目标函数； 对数学模型进行分析研究，选择合适的最优求解方法； 根据最优化方法的算法，选择最优化函数，编程计算。 6．2优化工具箱的函数使用方法 求解线性规划问题 基本模型 其中x为向量，A1, A2为常数矩阵，C, b1, b2 ,lb, ub 均为常数向量。 数linprog 调用 x=linprog(C,A1,b1); %决策变量无上下约束条件，并且只含有“≤“约束条件； x=linprog(C,A1,b1,A2,b2); %决策变量无上下约束条件； x=linprog(C,A1,b1,A2,b2,lb,ub); %决策变量有上下约束条件； [x,fv]=linprog(…); %要求在迭代中同时返回目标函数值； [x,fv,ef]=linprog(…); %要求返回程序结束标志； [x,fv,ef,out]=linprog(…); ％要求返回程序的优化信息； 例子 例1 求线性规划问题 subject to 首先输入系数 C=[-5; -4; -6] A= [1 -1 1;3 2 4;3 2? 0] b=[20; 42; 30] lb=zeros(3,1) 调用linprog函数 [x,fv,ef,out]=linprog(C,A,b,[],[],lb) 输出结果： [x,fv,ef,out]=linprog(C,A,b,[],[],lb) Optimization terminated successfully. x = 0.0000 15.0000 3.0000 fv = -78.0000 ef = 1 out = iterations: 6 cgiterations: 0 algorithm: lipsol 例1 求线性规划问题 max z=2x1+3x2-5x3 s.t. x1+x2+x3=7 2x1-5x2+x3=10, x1,x2,x3=0. 首先输入系数 C=[-2; -3; 5] A=[-2 5 1] b=-10 Aeq=[1 1 1] beq=7 lb=zeros(3,1) 调用linprog函数 [x,fv,ef,out]=linprog(C,A,b,Aeq,beq,lb) 输出结果： [x,fv,ef,out]=linprog(C,A,b,Aeq,beq,lb) Optimization terminated successfully. x = 6.4286 0.5714 0.0000 fv = -14.5714 ef = 1 out = iterations: 7 cgiterations: 0 algorithm: lipsol 求解二次规划问题 基本模型 其中x为向量，H,A1, A2为常数矩阵，C, b1, b2 ,lb, ub 均为常数向量。 (2) 函数quadprog调用格式 [x,fv,ef,out]=quadprog(H,C,A1,b1,A2,b2,lb,ub) 求解无约束条件非线性的极小值问题 基本模型 其中x为n维向量，f(x)维非线性函数。 函数fminunc调用格式 [x,fv,ef,out,grad,hess]=fminunc(fun,x0); 其中x0为迭代初值向量，opt为设置的可选参数值； %grad 返回函数在x处的梯度； %hess 返回函数在x处的海赛矩阵； 函数fminsearch调用格式 [x,fv,ef,out]=fminsearch(fun, x0); 注：fminunc是用拟牛顿法实现，需要用到函数的导数，而fminsearch是用单纯形搜索实现，不需要导数。 求无约束非线性最小值问题 求解过程： fun = inline(exp(x(1)) * (4*x(1)^2 + 2*x(2)^2 + 4*x(1)*x(2) + 2*x(2) + 1)); x0=[-1,1]; [x,fv,eg,out,grad,hess]=fminunc(fun,x0) 其中x0为选取的迭代初值； 输出结果： Optimization terminated successfully: Current search direction