连续模型优化（约束问题）.pptVIP

电子科技大学 */32 连续模型优化 连续模型优化 何国良 电子科技大学 hegl@uestc.edu.cn 最优化问题的基本概念 求解无约束最优化 求解有约束最优化 许多实际问题都可以归纳为最优化问题, 最优化模型是数学建模中应用最广泛的模型之一；其内容包括线性规划、整数线性规划、非线性规划、动态规划、多目标规划、最优控制等. 目标函数 约束条件 可行解域 最优化问题的基本概念 最优化问题的一般形式 f(X) 局部最优解 整体最优解 最优化问题的解 一般形式： 求解无约束最优化 求解的基本思想 ( 以二元函数为例 ) 连续可微 或 标准形式： 迭代法一般步骤 1 fminbnd求单变量函数最小值点 2 fminsearch求多变量函数最小值点 3 fminunc求多变量函数最小值点 Matlab求解无约束非线性最小化 1 fminbnd求单变量函数最小值点 x = fminbnd(fun,x1,x2) x = fminbnd(fun,x1,x2,options) x = fminbnd(fun,x1,x2,options,P1,P2,...) [x,fval] = fminbnd(...) [x,fval,exitflag] = fminbnd(...) [x,fval,exitflag,output] = fminbnd(...) *采用黄金分割查找和抛物线插值算法 例2：求解 [x,fval]=fminbnd(cos(4*x+5),0,pi/2) 结果： x = 1.1062 fval = -1.0000 表示当x=1.1062时，函数取得最小值-1。 例子： 1、编写函数： function f=fun1search(x) %通过fminsearch求极小值的函数 f=2*(x(1)-1)^2+3*(x(2)-3)^2; 2、输入命令求解： [x,fval,exitflag]=fminsearch(fun1search,[0 0]) 2 fminsearch函数 结果： x = 1.0000 3.0000 fval = 3.1076e-009 exitflag = 1 其中f(x)，gi(x)，hj(x)均是En上的连续函数(i=1,2,…,m; j=1,2,…,l)。 求解方法：主要由于约束条件、目标函数不同而不同 一般形式 求解有约束最优化 惩罚函数法(SUMT外点法) 障碍函数法(SUMT内点法) 1、罚函数法 2、近似规划法 非线性规划的基本解法 惩罚函数法的基本思想：利用原问题的中的约束函数构造适当的惩罚函数，并和原问题的目标函数相加，得到带参数的增广目标函数，从而将原问题转换为一系列无约束非线性规划问题。所以也称序列无约束极小化技术(Sequential Unconstrained Minimization Technique, SUMT) Matlab求解有约束非线性最小化 非负条件下线性最小二乘lsqnonneg 求解非线性规划问题的函数fmincon 有约束线性最小二乘lsqlin 有约束非线性最小二乘lsqnonlin 一般形式： 1.求解非线性规划问题的函数fmincon 输入参数语法： x = fmincon(fun,x0,A,b) x = fmincon(fun,x0,A,b,Aeq,beq) x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub) x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon, ...) 1.约束中可以有等式约束 2.可以含线性、非线性约束均 1.求解非线性规划问题的函数fmincon 输入参数的几点说明 模型中如果没有A,b,Aeq,beq,lb,ub的限制，则以空矩阵[ ]作为 参数传入； nonlcon：如果包含非线性等式或不等式约束，则将这些函数 编写为一个Matlab函数， nonlcon就是定义这些函数的程序文件名； 不等式约束 c(x)=0 等式约束 ceq(x)=0. 如果nonlcon=‘mycon’ ; 则myfun.m定义如下 function [c,ceq] = mycon(x) c = ...?????% 计算非线性不等式约束在点x处的函数值 ceq = ...???%计算机非线性等式约束在点x处的函数值 对参数nonlcon的进一步示例 2个不等式约束， 2个等式约束, 3个决策变量x1，x2，x3 如果nonlcon以‘mycon1’作为参数值，则程序mycon1.m如下 对照约束条件编写myfun1.m function [c,ceq] = mycon1(x) c(1) = x