第八章-优化问题.pptVIP

MATLAB优化问题 优化工具箱概述 无约束最优化问题 有约束最优化问题 多目标规划 最大最小化 遗传算法（GA） 模拟退火算法（SA） 例：travel -- travel salesman problem 旅行商问题——一个典型的优化问题 一、优化工具箱概述 在生活和工作中，人们对于同一个问题往往会提出多个解决方案，并通过各方向的论证从中提取最佳方案。最优化方法就是专门研究如何从多个方案中科学合理地提取出最佳方案的科学。 优化问题无所不在，最优化方法的应用和研究已经深入到生产和科研的各个领域，如土木、机械、化工、运输调度、生产控制、经济规划、管理等，并取得了显著的经济效益和社会效益； 用最优化方法解决最优化问题的技术称为最优化技术，包含： （1）建立数学模型： 即用数学语言来描述最优化问题，模型中的数学关系式反映了最优化问题所要达到的目标和各种约束条件。 （2）数学求解 数学模型建好以后，选择合理的最优化方法进行求解。 最优化方法的发展很快，已经包含有多个分支，如线性规划、整数规划、非线性规划、动态规划、多目标规划等； 利用MATLAB的优化工具箱，可以求解线性规划、非线性规划和多目标规划问题。 包括线性、非线性最小化，最大最小化，二次规划，半无限问题，线性、非线性方程组的求解，线性、非线性的最小二乘问题，另外，该工具箱还提供了线性、非线性最小化，方程求解、曲线拟合，二次规划等问题中大型课题的求解方法，为优化方法在工程中的实际应用提供了更方便、快捷的途径。 二、无约束最优化问题 1.单变量最优化 讨论只有一个变量的最小化问题，即一维搜索问题，该问题在某些情况下可以直接用于求解实际问题，但大多数情况下它是作为多变量最优化方法的基础，因为进行多变量最优化要用到一维搜索算法。 该问题的数学模型为 min f(x) x1xx2 Rosenbrock函数（香蕉函数） fminbnd 函数：利用该函数找到固定区间内单变量函数的最小值；调用格式为： fminbnd (‘f’, x1，x2) 返回区间( x1，x2 )上f函数描述的标量函数的最小值x。 注意： 1）目标函数必须是连续的； 2）fminbnd函数可能只给出局部最优解； 3）只用于实数变量。 [例] 在区间（0，2π）上求函数sin(x)的最小值： x = fminbnd(@sin,0,2*pi) x = 4.7124 所以区间（0，2π）上函数sin(x)的最小值点位于x=4.7124处。 最小值处的函数值为： y = sin(x) y = -1.0000 2.无约束非线性规划问题 基本数学原理 无约束最优化问题在实际应用中较为常见。许多有约束最优化问题可以转化为无约束最优化问题进行求解； 求解无约束最优化问题的方法主要有两类： 直接搜索法（Direct Search Method） 梯度法（Gradient Method ）。 直接搜索法适用于目标函数高度非线性，没有导数或导数很难计算的情况；由于实际工程中很多问题都是非线性的，故直接搜索法不失为一种有效的解决办法，常用的直接搜索法为单纯形法等，其缺点是收敛速度慢。 （1）fminunc函数 可求多变量无约束函数的最小值。多变量无约束函数的数学模型为 式中，x为矢量，f(x)为函数，返回标量； fminunc函数的调用格式： fminunc（fun，x0）， x0为给定初值，可以是标量、矢量或矩阵。 例：将下列函数最小化 （2）fminsearch函数，功能类似于fminunc函数 x0=[1,1]; [x,fval]= fminsearch(myfun,x0) % [x,fval]= fminsearch(@myfun,x0) %函数句柄 三、有约束优化问题 线性规划有约束极小问题 非线性有约束最优化问题 1. 线性规划概述 线性规划的广泛应用是计算机时代的产物。 1902年，J.Farkas 发表论文，阐述有关线性规划问题。 1938年，英国人康德进行较详细研究。 1947年，美国学者G.Dantzig（丹茨格）发明了求解线性规划的单纯形法（1951年发表），从而为线性规划的推广奠定了基础。可以认为，求解线性规划的单纯形算法可与求解线性方程组的高斯消元法相媲美。 线性规划的数学模型有三个要素，从实际问题提炼成数学模型时，首先寻找需求解的未知量xj (j=1,…,n)，然后列举三要素： 列写与自变量（未知量）有关的若干个线性约束条件（等式或不等式）。 列写自变量xj取值限制（xj≥0，xj≤0或不限）。 列写关于自变量的线性目