第十一讲+优化与数值积分.ppt

* * 11.6数值积分的Matlab实现 q=dblquad(fun,xmin,xmax,ymin,ymax,tol,method,p1,p2,…) %将可选参数p1,p2,..等传递给函数fun(x,y,p1,p2,…)。若tol=[]，method=[]，则使用缺省精度和算法quad。 如：fun = inline(’y./sin(x)+x.*exp(y)’); Q = dblquad(fun,1,3,5,7) 计算结果为：Q = 3.8319e+003 第十一讲 优化、数值积分与常微分方程数值解 * * * 第十一讲 优化、数值积分与常微分方程数值解 11.1 无约束优化 11.2 约束线性优化 11.3 二次规划 11.4 非线性方程求解 11.5 数值积分的理论和方法 11.6 数值积分的Matlab实现 11.7 常微分方程数值解 * * 11.1 无约束优化 形如：min f(x), x=(x1,……,xn)T的优化问题常称为无约束线性规划，实际上是多元函数的无条件极值问题，极值的点是局部最优解，全局最优解只能从局部最优解中比较得到，以下所谓最优解均指局部最优解 * * 11.1 无约束优化 1. fminbnd 功能：计算非线性一元函数最小值。 格式： [X,FVAL] = fminbnd(‘fun’,x1,x2) 例：计算函数f(x)=(x^3+x^2-1)/(exp(x)+exp(-x))的最小值和最小值点，-5=x=5 * * 11.1 无约束优化 fun=(x^3+x^2-1)/(exp(x)+exp(-x)); ezplot(fun) [x,fval,exitflag]=fminbnd(fun,-5,5)x = -3.3112fval = -0.9594exitflag = 1 * * 11.1 无约束优化 2. fminsearch 功能：计算多元函数最小值。 格式：X = fminsearch(‘fun’,X0); [X,fval,exitflag]= fminsearch(...) 例：求点(x1,x2)使目标函数f(x)取得最小值： f(x)=sin(x1)+cos(x2) * * 11.1 无约束优化 x0=[0,0]; fun=sin(x(1))+cos(x(2)); [x,fval,exitflag]=fminsearch(fun,x0)x = -1.5708 3.1416fval = -2.0000exitflag = 1 * * 11.2 约束线性优化 约束优化即为含有一定条件的优化问题，其一般形式为 若f,gi是线性函数，则称此模型为线性规划，否则称为非线性规划。 * * 11.2 约束线性优化 linprog 功能：约束线性优化。 格式：X= linprog(f,A,b,Aeq,beq) X= linprog(f,A,b,Aeq,beq,LB,UB) 这里，由Aeq与beq 确定了等式约束，LB，UB确定了x的范围，x0为初值。 * * 11.2 约束线性优化 例：Min –5x1+4x2+2x3 S.t 6x1-x2+3x3=8 x1+2x2+4x3=10 -1=x1=3 0=x2=2 x3=0  * * 11.2 约束线性优化 clear f=[-5 4 2]; A=[6 -1 1;1 2 4]; b=[8;10]; lb=[-1 0 0]; ub=[3,2]; * * 11.2 约束线性优化 [x,f]=linprog(f,A,b,[],[],lb,ub)Optimization terminated.x = 1.3333 0.0000 0.000f = -6.6667 * * 11.3 二次规划 对于非线性规划，常见的是二次规划，其一般模型为： min f(x)= 0.5 xTHx+cx s.t. AX ≤ b 特别，当H为正定矩阵时，目标函数为凸函数，线性约束下可行域为凸集，此时称凸二次规划。 * * 11.3 二次规划 1. quadprog 功能：求解二次规划问题 格式：X= quadprog(H,f,A,b) X= quadprog(