Matlab优化工具箱的简介.pptVIP

第五讲 Matlab优化工具箱简介 ---optimization toobox 1. 线性优化 2. 非线性优化 3. 极小化极大（Minmax）问题 4. 曲线拟合与插值 5.2非线性优化 例5-2 计算下面函数在区间(0，1)内的最小值. 5.4 曲线拟合与插值 实际问题求解 例5-7 求下列函数最大值的最小化问题 其中： 解：先建立目标函数文件，并保存为myfun.m：function f = myfun(x) f(1)= 2*x(1)^2+x(2)^2-48*x(1)-40*x(2)+304; f(2)= -x(1)^2 - 3*x(2)^2; f(3)= x(1) + 3*x(2) -18; f(4)= -x(1)- x(2); f(5)= x(1) + x(2) - 8; 然后，在命令窗口键入命令： x0 = [0.1; 0.1]; % 初始值 [x,fval] = fminimax(@myfun,x0) 结果为： x = 4.0000 4.0000 fval = 0.0000 -64.0000 -2.0000 -8.0000 -0.0000 在大量的应用领域中，人们经常面临用一个解析函数描述数据(通常是测量值)的任务.对这个问题有两种方法. 插值： 在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况. 曲线拟合：曲线拟合或回归是人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点. 标有‘o’的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合. 曲线拟合的两个基本问题： 1.最佳拟合意味着什么？ 2.应该用什么样的曲线？ 可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线. 当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的.数学上，称为多项式的最小二乘曲线拟合. 1 Matlab 曲线拟合 虚线和标志的数据点之间的垂直距离是在该点的误差.对各数据点距离求平方，并把平方距离全加起来，就是误差平方和.这条虚线是使误差平方和尽可能小的曲线，即是最佳拟合.最小二乘这个术语仅仅是使误差平方和最小的省略说法. Matlab 曲线拟合和插值命令 2维最近邻插值 interp2(x, y, Z, xi, yi, nearest ) 2维3次插值 interp2(x, y, Z, xi, yi, cubic ) 2维线性插值 interp2(x, y, Z, xi, yi) 1维3次插值 interp1(x, y, xo, cubic ) 1维3次样条插值 interp1(x, y, xo, spline ) 1维线性插值 interp1(x, y, xo) 对描述n阶多项式y=f(x)的数据 进行最小二乘曲线拟合 polyfit(x, y, n) 曲 线 拟 合 和 插 值 函 数 x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1]; y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; n=2; p=polyfit(x, y, n) ezplot( -9.8108*x*x+20.1293*x-0.0317 ) %二次多项式系数 %既是p的输出，该命令为画出拟合曲线. xi=linspace(0, 1, 100); % x-axis data for plotting z=polyval(p, xi) %求出多项式在xi点处的取值. plot(x, y, o , x, y, xi, z, : ) xlabel( x ), ylabel( y=f(x) ), title( Second Order Curve Fitting ) 多项式阶次的选择是任意的.两点决定一直线或一阶多项式.三点决定一个平方或2阶多项式.按此进行，n+1数据点唯一地确定n阶多项式.于是，在上面的情况下，有11个数据点，我们可选一个高达10阶的多项式.然而，高阶多项式给出很差的数值特性，人们不应选择比所需的阶次高的多项式.此外，随着多项式阶次的提高，近似变得不够光滑，因为较高阶次多项式在变零前，可多次求导. 原始数据标以o，2阶曲