第10章MATLAB优化设计jsp.docVIP

第10章 优化设计中的应用 在优化问题中，根据变量、目标函数和约束数的不同，可以将问题大致分为： ● 线性优化 目标函数和约束函数均为线性。 ● 二次优化 目标函数为二次函数，而约束条件为线性方程：线性优化和二次优化统称为简单优化。 非线性优化 目标函数为非二次的非线性函数，或约束条件为非线性方程。 多任务目标优化 目标函数并非一个时，称为多任务优化问题。 本章将对以上几类优化问题材在MATLAB中的实现作比较详细的讲解。另外，还将介绍两个利用优化方法解非线性方程的函数。 （一）线性优化 线性优化问题即目标函数和约束条件均为线性的问题 其标准形式为: Min Cx x(Rn Sub.to Ax=b x≥0 其中A(Rm×n,m≤n(通常m＜n＝,b(Rn,C(Rn均为数值矩阵. 标准形式的线性优化问题简称LP(Linear Programming)为问题。其他形式的线性优化问题经过适当的变换均可以化为此种标准型。线性优化问题在工农业及其他生产部门中应用十分广泛。 在MATLAB中，线性优化问题由lp函数求解。 函数介绍 lp 线性规划函数 x=lp(f, A, b) 解如下形式的线性规划问题。 min fx x Subject to:Ax≤b x=lp(f, A, b, vlb, vub) 参数vlb, vub给出设计变量的上下边界约束，即vlb≤x≤vub. x=lp(f, A, b, vlb, vub, x0) 设置初值x0. x=lp(f, A, b, vlb, vub, x0, N) 指出由A、b定义的约束中前N个为等式约束。 x=lp(f, A, b, vlb, vub, x0, N,DISPLAY) 控制警告信息显示，当时DISPLAY=-1不显示警告信息。 [x, LAMBDA]=lp(f, A, b ) 返回解的一组拉格朗日积。 [x, LAMBDA, HOW]=lp(f, A, b ) 返回信息，指出最终迭代的错误条件。 注意 当解为无边界或非真实时，lp产生警告信息。 应用举例 求下面的优化问题。 Min -5x1+4x2+2x3 Sub.to 6x1-x2+x3≤8 X1+2x2+4x3≤10 3≥x1≥-1 2≥x2≥0 x3≥0 此问题即为线性优化的标准型问题。 解： MATLAB实现 c=[-5, 4, 2]; a=[6, -1, 1; 1, 2, 4, ]; b=[8, 10]; vlb=[-1, 0, 0]; vub=[3, 2]; [x, lam]=lp(c, a, b, vlb, vub) x= 1.3333 0 0 lam= 0.8333 0 0 3.1667 2.8333 0 0 说明 x 解为最优解；lam说明条件6x1-x2+x3≤8和x2≥0及 x3≥0发挥了作用。 下成再看一个实际中的应用问题。 例10．2某车间生产A和B两种产品。为了生产A和B，所需的原料分别为2个和3个单位，而所需的工时分别为4个和2个单位，现在可以应用的原料为100个单位，工时为120个单位，每生产一台A和B分别可获得利润6元和4元，应当安排生产A、B各多少台，才能获得最大的利润？ 分析：此问题的数学表达式为，设该车间应安排生产的A、B的数量分别为x1台, x2台,那么问题是求解最大值函数z=6x1+4x2 . x1, x2 应满足如下条件： 原材料方面2x1+3x2≤100 工时方面 4x1+2x2≤120 非负条件 x1,x2≥0 即： max z=6x1+4x2 min z=-6x1-4x2 Sub.to 2x1+3x2≤100 ( Sub.to 2x1+3x2≤100 4x1+2x2≤120 4x1+2x2≤1