连续模型优化(约束问题)
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
求解方法：主要由于约束条件、目标函数不同而不同
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)
A b
eq
eq
l X u
注意：约束有线性等式、不等式约束
语法：
x = lsqlin(C,d,A,b) x = lsqlin(C,d,A,b,Aeq,beq) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0,options) [x,resnorm] = lsqlin(...) [x,resnorm,residual] = lsqlin(...) [x,resnorm,residual,exitflag] = lsqlin(...) [x,resnorm,residual,exitflag,output] = lsqlin(...) [x,resnorm,residual,exitflag,output,lambda] = lsqlin(...)
一般形式：
min f ( X ) s.t. AX b
Aeq X beq l X u c(X ) 0 ceq ( X ) 0
❖ 1.求解非线性规划问题的函数fmincon
1.约束中可以有等式约束 2.可以含线性、非线性约束均
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, ...)
*采用黄金分割查找和抛物线插值算法
例2：求解
min f (x) cos(4x 5)
0 x
2
[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。
2 fminsearch函数
例子：min f (x) 2(x1 1)2 3(x2 3)2
连续模型优化
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
最优化问题的基本概念
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.
最优化问题的一般形式
目标函数
约束条件
可行解域
对参数nonlcon的进一步示例
x12 x22 x32 100 x12 10x32 60 x1 x22 x3 80 x13 x22 x3 80
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
x12 x22 x32 100
x12 10x32 60
x1
x
2 2
x3
80
x13 x22 x3 80
function [c,ceq] = mycon1(x) c(1) = x(1)*x(1)+x(2)*x(2)+x(3)*x(3)-100 c(2) = 60 - x(1)*x(1) + 10*x(3)*x(3) ceq(1) = x(1) + x(2)*x(2) + x(3) - 80 ceq(2) = x(1)^3 + x(2)*x(2) + x(3) - 80
fval = 3.1076e-009
exitflag = 1
求解有约束最优化
一般形式
min f (x) s.t. gi (x) 0(i 1,2,, m)
h j (x) 0( j 1,2,,l)
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)。
适合如下模型：
min
CX
d
2 2
X
s.t. X 0
注意：约束只有非负约束
语法：
x =lsqnonneg(c,d) x =lsqnonneg(c,d,x0) x =lsqnonneg(c,d,x0,options)
❖ 3.有约束线性最小二乘lsqlin
适合如下模型：
min
CX
d
2 2
X
s.t. AX b
最优化问题的解
局部最优解 f(X)
整体最优解
求解无约束最优化
一般形式： min f( X ) 或
max f( X )
标准形式： min f( X )
求解的基本思想 ( 以二元函数为例 )
f (x1 x2 )
连
续
ຫໍສະໝຸດ Baidu
可
微 0
x2
x1
迭代法一般步骤
（1） 选定初始点 X (0)，k=0 （2） 寻找一个合适的方向 P (k)，k=0，1，2，…
124.3622
第二步：调用优化函数lsqnonlin
% 给定搜索起点 x0 = [0.3 0.4] ; % 调用求解函数 [x,resnorm] = lsqnonlin('myfun',x0) x=
0.2578 0.2578 resnorm %residual or sum of squares resnorm =
P (k)为第 k+1 步的搜索方向。
（3） 求出沿 P (k)方向前进的步长 (k )
（4） 得到新的点 X (k+1)， X (k1) X (k) (k) P(k)
检验 X (k+1)是否最优，如果是最优，则迭代结束，
否则 k k 1，转到（2）执行。
Matlab求解无约束非线性最小化
1、罚函数法
惩罚函数法(SUMT外点法) 障碍函数法(SUMT内点法)
2、近似规划法
Matlab求解有约束非线性最小化
❖ 求解非线性规划问题的函数fmincon ❖ 非负条件下线性最小二乘lsqnonneg ❖ 有约束线性最小二乘lsqlin ❖ 有约束非线性最小二乘lsqnonlin
❖ 1.求解非线性规划问题的函数fmincon
A=[-1 -2 -2; 1 2 2 ]; b=[0 72]’;
% 给一个初始搜索点
x0 = [10; 10; 10]; [x,fval] = fmincon('myfun',x0,A,b)
最后得到如下结果：
x= 24.0000 12.0000 12.0000
fval = -3.4560e+03
❖ 2. 非负条件下线性最小二乘 lsqnonneg
lsqnonlin(...)
返回参数说明
resnorm 等于 norm(C*x-d)^2 residual 等于C*x-d
例3：求解x，使得下式最小
10
(2 2k ekx1 ekx2)2
k 1
第一步：编写M文件myfun.m计算向量F
function F = myfun(x) k = 1:10; F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));
x1 2x2 2x3 0 x1 2x2 2x3 72
这是2个线性约束，形如 Ax b
这里： A=[-1 -2 -2; 1 2 2 ]; b=[0 72]’;
第三步：提供一个搜索起点，然后调用相 应函数，程序如下：
% 给一个初始搜索点
x0 = [10; 10; 10];
主程序（整体）：
❖ 4.非线性最小二乘lsqnonlin
适合模型：
min 1 2
F(X)
2 2
1 2
i
Fi
(
X
)
2
X
s.t. l X u
语法：
x = lsqnonlin(fun,x0) x = lsqnonlin(fun,x0,lb,ub) x = lsqnonlin(fun,x0,lb,ub,options) x = lsqnonlin(fun,x0,options,P1,P2, ... ) [x,resnorm] = lsqnonlin(...) [x,resnorm,residual] = lsqnonlin(...) [x,resnorm,residual,exitflag] = lsqnonlin(...) [x,resnorm,residual,exitflag,output] = lsqnonlin(...) [x,resnorm,residual,exitflag,output,lambda] = lsqnonlin(...) [x,resnorm,residual,exitflag,output,lambda,jacobian] =
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('fu
n1search',[0 0])
结果：
x= 1.0000 3.0000
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
例2：求解如下最优化问题.
min f (x) x1x2 x3 s.t 0 x1 2x2 2x3 72
第一步：编写一个M文件返回目标函数f在点 x处的值函数程序
函数myfun.m function f = myfun(x) f = -x(1) * x(2) * x(3);
第二步：为了调用MATLAB函数，必须将模 型中的约束转化为如下形式(<=)。
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
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(...)
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)
A b
eq
eq
l X u
注意：约束有线性等式、不等式约束
语法：
x = lsqlin(C,d,A,b) x = lsqlin(C,d,A,b,Aeq,beq) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0) x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0,options) [x,resnorm] = lsqlin(...) [x,resnorm,residual] = lsqlin(...) [x,resnorm,residual,exitflag] = lsqlin(...) [x,resnorm,residual,exitflag,output] = lsqlin(...) [x,resnorm,residual,exitflag,output,lambda] = lsqlin(...)
一般形式：
min f ( X ) s.t. AX b
Aeq X beq l X u c(X ) 0 ceq ( X ) 0
❖ 1.求解非线性规划问题的函数fmincon
1.约束中可以有等式约束 2.可以含线性、非线性约束均
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, ...)
*采用黄金分割查找和抛物线插值算法
例2：求解
min f (x) cos(4x 5)
0 x
2
[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。
2 fminsearch函数
例子：min f (x) 2(x1 1)2 3(x2 3)2
连续模型优化
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
最优化问题的基本概念
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.
最优化问题的一般形式
目标函数
约束条件
可行解域
对参数nonlcon的进一步示例
x12 x22 x32 100 x12 10x32 60 x1 x22 x3 80 x13 x22 x3 80
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
x12 x22 x32 100
x12 10x32 60
x1
x
2 2
x3
80
x13 x22 x3 80
function [c,ceq] = mycon1(x) c(1) = x(1)*x(1)+x(2)*x(2)+x(3)*x(3)-100 c(2) = 60 - x(1)*x(1) + 10*x(3)*x(3) ceq(1) = x(1) + x(2)*x(2) + x(3) - 80 ceq(2) = x(1)^3 + x(2)*x(2) + x(3) - 80
fval = 3.1076e-009
exitflag = 1
求解有约束最优化
一般形式
min f (x) s.t. gi (x) 0(i 1,2,, m)
h j (x) 0( j 1,2,,l)
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)。
适合如下模型：
min
CX
d
2 2
X
s.t. X 0
注意：约束只有非负约束
语法：
x =lsqnonneg(c,d) x =lsqnonneg(c,d,x0) x =lsqnonneg(c,d,x0,options)
❖ 3.有约束线性最小二乘lsqlin
适合如下模型：
min
CX
d
2 2
X
s.t. AX b
最优化问题的解
局部最优解 f(X)
整体最优解
求解无约束最优化
一般形式： min f( X ) 或
max f( X )
标准形式： min f( X )
求解的基本思想 ( 以二元函数为例 )
f (x1 x2 )
连
续
ຫໍສະໝຸດ Baidu
可
微 0
x2
x1
迭代法一般步骤
（1） 选定初始点 X (0)，k=0 （2） 寻找一个合适的方向 P (k)，k=0，1，2，…
124.3622
第二步：调用优化函数lsqnonlin
% 给定搜索起点 x0 = [0.3 0.4] ; % 调用求解函数 [x,resnorm] = lsqnonlin('myfun',x0) x=
0.2578 0.2578 resnorm %residual or sum of squares resnorm =
P (k)为第 k+1 步的搜索方向。
（3） 求出沿 P (k)方向前进的步长 (k )
（4） 得到新的点 X (k+1)， X (k1) X (k) (k) P(k)
检验 X (k+1)是否最优，如果是最优，则迭代结束，
否则 k k 1，转到（2）执行。
Matlab求解无约束非线性最小化
1、罚函数法
惩罚函数法(SUMT外点法) 障碍函数法(SUMT内点法)
2、近似规划法
Matlab求解有约束非线性最小化
❖ 求解非线性规划问题的函数fmincon ❖ 非负条件下线性最小二乘lsqnonneg ❖ 有约束线性最小二乘lsqlin ❖ 有约束非线性最小二乘lsqnonlin
❖ 1.求解非线性规划问题的函数fmincon
A=[-1 -2 -2; 1 2 2 ]; b=[0 72]’;
% 给一个初始搜索点
x0 = [10; 10; 10]; [x,fval] = fmincon('myfun',x0,A,b)
最后得到如下结果：
x= 24.0000 12.0000 12.0000
fval = -3.4560e+03
❖ 2. 非负条件下线性最小二乘 lsqnonneg
lsqnonlin(...)
返回参数说明
resnorm 等于 norm(C*x-d)^2 residual 等于C*x-d
例3：求解x，使得下式最小
10
(2 2k ekx1 ekx2)2
k 1
第一步：编写M文件myfun.m计算向量F
function F = myfun(x) k = 1:10; F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));
x1 2x2 2x3 0 x1 2x2 2x3 72
这是2个线性约束，形如 Ax b
这里： A=[-1 -2 -2; 1 2 2 ]; b=[0 72]’;
第三步：提供一个搜索起点，然后调用相 应函数，程序如下：
% 给一个初始搜索点
x0 = [10; 10; 10];
主程序（整体）：
❖ 4.非线性最小二乘lsqnonlin
适合模型：
min 1 2
F(X)
2 2
1 2
i
Fi
(
X
)
2
X
s.t. l X u
语法：
x = lsqnonlin(fun,x0) x = lsqnonlin(fun,x0,lb,ub) x = lsqnonlin(fun,x0,lb,ub,options) x = lsqnonlin(fun,x0,options,P1,P2, ... ) [x,resnorm] = lsqnonlin(...) [x,resnorm,residual] = lsqnonlin(...) [x,resnorm,residual,exitflag] = lsqnonlin(...) [x,resnorm,residual,exitflag,output] = lsqnonlin(...) [x,resnorm,residual,exitflag,output,lambda] = lsqnonlin(...) [x,resnorm,residual,exitflag,output,lambda,jacobian] =
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('fu
n1search',[0 0])
结果：
x= 1.0000 3.0000
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
例2：求解如下最优化问题.
min f (x) x1x2 x3 s.t 0 x1 2x2 2x3 72
第一步：编写一个M文件返回目标函数f在点 x处的值函数程序
函数myfun.m function f = myfun(x) f = -x(1) * x(2) * x(3);
第二步：为了调用MATLAB函数，必须将模 型中的约束转化为如下形式(<=)。
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
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(...)