数学建模中的数据处理方法(非常全)【爆款】.ppt

线性规划有约束极小问题 模型? ? ? ? ? 用命令 [x, fval]= linprog(f,A,b,A1,b1,lb,ub) 最新.课件 * 线性规划有约束极小问题 Find x that minimizes f(x)=-5x1-4x2-6x3 subject to x1-x2+x3≦20 3x1+2x2+4x3≦42 3x1+2x2≦30 0≦x1, 0≦x2,0≦x3 最新.课件 * 线性规划有约束极小问题 最新.课件 * 线性规划有约束极小问题 解问题 把问题极小化并将约束标准化 最新.课件 * 线性规划有约束极小问题 键入c=[-2,-3,5];a=[-2,5,-1]; b=-10;a1=[1,1,1];b1=7;LB=[0,0,0]; [x,y]=linprog(c,a,b,a1,b1,LB) 得当X=(6.4286,0.5714,0.0000)时, z=-14.5714最大. 最新.课件 * 线性规划有约束极小问题 解问题 最新.课件 * 线性规划有约束极小问题 解:键入 c=[-2,-1,1];a=[1,4,-1;2,-2,1]; b=[4;12];a1=[1,1,2];b1=6; lb=[0;0;-inf];ub=[inf;inf;5]; [x,z]=linprog(c,a,b,a1,b1,lb,ub) 得当X=(4.6667,0.0000,0.6667)时, z=-8.6667最小. 最新.课件 * 非线性规划有约束极小问题 模型： MATLAB求解此问题的命令是： [x,fval,exitflag,output,lambda,grad,hessian]=fmincon(‘fun’,x0,A,b,A1,b1,LB,UB,’nonlcon’,options,p1,p2,…) fun是目标函数的m_文件名.nonlcon是约束函数C(x)和C1(x)的m_文件名.文件输出为[C,C1]. 最新.课件 * 非线性规划有约束极小问题 求解最优化问题 最新.课件 * 非线性规划有约束极小问题 第1步: 建立目标函数和非线性约束的m_文件. function y=e1511(x)% 目标函数的m_文件 y=exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1); ? function [c1,c2]=e1511b(x)% 非线性约束的m_文件 c1=[1.5+x(1)*x(2)-x(1)-x(2);-x(1)*x(2)-10]; c2=0; 最新.课件 * 非线性规划有约束极小问题 第2步: 运行程序.键入 x0=[-1,1];a1=[1,1];b1=0; [x,f,exitflab,output]=fmincon(‘e1511’,x0,[],[],a1,b1,[],[],’e1511b’) 得结果. 输出结果的意义:经过4次迭代(iterations:4)收敛到了(exitfag=1)最优解 x(1)=-1.2247,x(2)=1.2247, 目标函数最优值为1.8951. 最新.课件 * 非线性无约束极小问题 用命令x=fmin(f,x0)。 或用命令x=fminu(f ,x0)，或用命令x=fmins(f ,x0)。 最新.课件 * 非线性最小二乘问题 用命令x=leastsq(f ,x0)，或用命令x=curvefit(f ,x0)。 最新.课件 * 二次规划 用命令x=qp(H,c,A,b)。 关于这些命令的详细使用规则和例子，用借助help进行查阅。 最新.课件 * 回归分析 前面我们曾学过拟合。但从统计的观点看，对拟合问题还需作回归分析。例如：有描述问题甲和问题乙的两组数据(x,y)和(x,z)。设x=[1，2，3，4]；y=[1.0，1.3，1.5,2.02.3];z=[0.6,1.95,0.9,2.85,1.8]。如果在平面上画出散点图，那么问题甲的四个点基本在一条直线上而问题乙的四个点却很散乱。如果都用命令polyfit(x,y,1)，polyfit(x,z,1)来拟合，将得到同一条直线。 最新.课件 * 回归分析 自然对问题甲的信任程度会高于对问题乙的信任程度。所以有必要对所得结果作科学的评价分析。回归分析就是解决这种问题的科学方法。 下面结合三个具体的例子介绍MATLAB实现回归分析的命令。 最新.课件 * 回归分析 合金强度y与其中含碳量x有密切关系，如下表 根据此表建立y(x)。并对结果作可信度进行检验、判断x对y影响是否显著、检查数据中有无异常点、由x的取值对y作出预测。 最新.课件 * 回归分析 解： 在x-y平面上画散点图，直观地知道y与x大致为线性关系。 用命令polyfit(x,y,