补充内容-Matlab及其应用.pptVIP

例2　 x0=0.5; xm=fminsearch(‘(x-3)*sqrt(x)’,x0) xm= 1.0000 (f(x)在x=0.5附近的极小点) [xm, f]=fminsearch(‘(x-3)*sqrt(x)’,x0) xm =1.0000 f=-2.0000 ——给出极小点函数的值 ２、多元函数求极小点 　　内部命令 fminunc(‘f’,x) 表示求多元函数f(x)在 向量x附近的局部极小值，其中f是外部函数。 算法构造中用到了目标函数的解析性质，如梯度或 Hessian矩阵（类似拟牛顿法中的DFP法、BFGS法）。 可以求解规模较大的优化问题－收敛速度快。 　　内部命令 fminsearch(‘f’,x) 表示求f(x)在初始点x 临近的极小点。与上面命令比较，算法上有差别。 例 x0=[1 1]; [xm, f]=fminunc(‘3*x(1)^2+2*x(1)*x(2)+x(2)^2’, x0) xm =1.0000 f=-2.0000 ——给出极小点函数的值 例　　 为初始点，最优解为[１，１] 演示程序：　在Matlab的Comand空间中，选择菜单Help项中的子菜单Demos，即列出求解该香蕉函数的六种算法的演示图形。这六种无约束优化算法是：Steepest算法、Simplex算法、DFP算法、BFGS算法、Gauss-Newton算法、Levenbrg-Marguardt算法。 香蕉函数（Banana Function) 解：（１）在Edit空间编辑外部函数，取名fun1.m function y=fun1(x) y=100*(x(2)-x(1)^2)^2+(1-x(1))^2; (2) 将m文件fun1存盘 (３) 在Comand空间调用fun1 》x0=[-1.9,2]; 》[xm,f]=fminunc(‘fun1’,x0) xm= 1.0000 1.0000 f= 1.1730e-010 　　 Matlab在演示的过程中提到的六种算法的效果 并不一样。从演示过程中可以看出：(1)从初始点出 发能全程达到极小点的算法有Simplex算法、 DFP算 法、 BFGS算法和levenbrg-Marguardt算法。(2)从 初始点出发只能搜索到中途的算法是Steepest算法。 (3) 收敛速度快的是Gauss-Newton算法、DFP算法、 BFGS算法。 练习：用Matlab求解 围内的极小点 在 附近的极小点与极小值。 二、约束最优化算例 １、线性规划算法 　　内部命令linprog(f,A,b)表示求上述线性规划的最优解，其中 f为线性规划的目标函数的价值系数 其中 例３ 解：（１）在Edit空间编辑外部函数，取名fun2.m function f=fun2(x) f=2*x(1)-3*x(2) (2) 将m文件fun2存盘 (３) 在Comand空间调用fun2 A=[1 1; -1 1;-1 0]; b=[10 -2 -1]; f=[2 -3]; x=linprog(f,A,b) x= 6.0000 4.0000 fun2(x) ans= 5.6843e-014 2、非线性规划算法 　　内部命令constr(‘fg’,x), f为非线性规划的目标函数，g代表约束条件，x代表初始点。 例４ 解：（１）在Edit空间编辑外部函数，取名fun3.m function[f,g]=fun3(x) f=exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1); g(1)=1.5+x(1)*x(2)-x(1)-x(2); g(2)=-x(1)*x(2)-10 (2) 将m文件fun3存盘 (３) 在Comand空间调用fun3 x=[-1 1]; x=constr(‘fun3’,x) x= -9.5474 1.0474 [f,g]=fun3(x) f= 0.0236 g= 1.0e014*0.1110 -0.1776 例5 下界条件与上界条件 　　在例４中，若对决策变量x限定在某一区域内，如vlbxvub，其中vlb，vub均为二维向量，则用如下语句： 　　x=constr(‘fun3’,x,options, vlb,vub); 在例４中增加条件x0,则调用时应用如下命令： x=[-1,1]; (赋初值) options=[