matlab在优化设计中的应用.docxVIP

Matlab在优化设计中的应用 摘要 常有的优化问题包括线性规划、无拘束优化、拘束优化、最下二乘优化、多目标规划等。本文研究了matlab在这些常有优化问题中的应用及求解。 在进行研究本课题以前，我们先经过网络、电子书刊等各样有效渠道获取我们所需信息，在充分认识与娴熟掌握了各样优化问题的详细特点及性质后，我们给出了对于怎样用matlab进行多类优化问题的求解基本方法，在此前提下，为了体现该软件在这些优化领域的实际应用效果，我们联合若干个优化问题的实例进行剖析、建模、以及运用matlab编程求解，在求解过程中，经过获得的精准数据和反响结果的图例，我们认识到matlab工具箱的功能强大，是办理优化问题的特别方便的编程工具。 重点词：matlab优化问题 二、基本观点 线性规划 线性规划是优化的一个重要分支。它在理论和算法上都比较成熟，在实际中有宽泛的应用。比如数学表达形式： minc1x1 c2x2 cnxn a11x1 a12x2 a1nxn b1 a21x1 a22x2 a2nxn b2 s.t. am1x1 am2x2 amnxn bm xi 0, i1,2, ,n 在MTLAB提供的优化工具箱中，解决规划的命令是 linprog ,它的调用格式如下， xlinprog(c,A,b) 求解下列形式的线性规划： mincTx s.t.Axb xlinprog(c,A,b,Aeq,beq) 求解下面形式的线性规划： mincTx Axb s.t. Aeq?xbeq 若没有不等式拘束Axb，则只要命令 A[],b[]。 xlinprog(c,A,b,Aeq,beq,lb,ub) 求解下面形式的线性规划： mincTx Axb s.t.Aeq?xbeq lbxub 若没有不等式拘束Axb，则只要令A[],b[]；若只有下界拘束，则能够不用输入ub。 无拘束优化算法 对于无拘束优化问题，已经有很多有效的算法。这些算法基本都是迭代法，它们都按照下面的步骤： ① 选用初始点x0 ，一般来说初始点越凑近最优解越好； ② 如果目前迭代点 xk不是原问题的最优解，那么就需要找一个搜寻方向 pk，使得目标函数 f（x） 从xk出发，沿方向pk有所下降； ③ 用适合的方法选择步长 ak（≥0），获得下一个迭代点xk+1=xk+akpk； ④ 查验新的迭代点 xk+1是否为原问题的最优解，或许是否与最优解的近似误差知足预先给定的容 忍度。 单变量拘束优化问题 单变量拘束优化问题的标准形式为 minf(x) s.t.axb 即为求目标函数在区间（a，b）上的极小点。 最小二乘法优化 最小二乘优化时一类特别特殊的优化问题，它在实际中，尤其是在办理一些曲线拟合问题、线性方程组无解时的近似解等问题，用的特别多。 最小二乘优化问题的目标函数一般为若干个函数的平方和，即： m 2x xRn minF(x) f1 i1 多目标规划问题 在大部分的优化、中，都将多目标规划的一般形式表述为： minF(x) f1 x f2x fpxT gix 0, i 1,2, ,m s.t. 0, i 1,2, ,n hix 其中，fi x、gix 、hix 既能够为线性函数，也能够为非线性函数。 三、基本方法 对于解决那些常有优化问题，基本思路将在解题的过程中获得体现。我们给出详细一些建模实例来体现基本算法： 就下列命令求下面分段函数的极小值点。 x2 6x 5, x 1 fx x2 1, 1 x 1 x2 4x 3, x 1 解：首先编写目标函数的 M文件如下： functiony example87(x) ifx 1 y x2 6x 5; elseif x 1x 1 y x2 1; else y x2 4x 3; end 然后为了剖析直观，利用MTLAB画出目标函数的图像，步骤如下： x=-5::5; n=length(x) n= 1001 fori=1:1001y(i)=example8_7(x(i));end 对于下面的线性规划问题： min–x1-3x2 1 x2x6 . x1 2x28 x1,x2 0 先利用图解法求其最优解，然后利用优化工具箱中的 linprog命令求解。 解〈图解法〉 先利用MATLAB画出该线性规划的可行集及目标函数等值线： clear symsx1x2 f=-x1-3*x2; c1=x1+x2-6; c2=-x1+2*x2-8; ezcontourf(f) axis([0606]) holdon ezplot(c1) ezplot(c2) legend(f等值线,x1+x2-6=0,-x1+2*x2-8=0) title(利用图解法求线性规划问题） gtext(x) 运行结果如下列图： 从上图中能够看出可行集的极点x（4/3,14/3）即为线