Matlab无约束优化
Navigator
- 无约束优化原理
- Matlab工具箱求解算法
- 应用1:资金调用问题
- matlab code
- 应用2:经营最佳安排问题
- matlab code
- 数值迭代法求解无约束极值问题
- 黄金分割法
- 无约束多维极值
- 模式搜索法
- code
- 单纯形搜索(Simplex)
- Powell法
- 最速下降法
- 共轭梯度法
- 拟牛顿法
无约束优化原理
求解无约束优化的方法主要有直接搜索法(search method)和梯度法(gradient method).
直接搜索法适合目标函数高度非线性,没有导数或者导数很难计算的情况,直接搜索方法包括单纯形法,Hooke-Jeeves搜索法,Pavell共轭方向法等.
梯度法在可以得到导数信息的情况下是一种更优的方法,该方法利用一阶导数和Hessian矩阵的信息,可以得到更快的收敛速度。常用的梯度法包括最速下降法,Newton法,Marquart法,共轭梯度法和拟牛顿法(Quasi-Newton method).
Matlab工具箱求解算法
- 大型优化算法:在提供函数梯度信息的情况下,默认使用大型优化算法,在每一个迭代步骤中使用PCG法求解大型线性系统得到近似解。
- 中型优化算法:
fminunc
函数中的参数options.LargeScale
设置为off
,该算法采用基于二次和三次混合插值的一维搜索算法的BFGS拟牛顿法 - 一维搜索算法的设置,
options.LineSearchType
设置为quadcubic
时,采用二次和三次混合插值法,options.LineSearchType
设置为cubicpoly
时,将采用三次插值法
应用1:资金调用问题
source
:Matlab优化算法 Page 186
令xix_ixi表示第iii所使用的资金,总收益为TTT,目标函数为
maxT=x1+x2+x3+x4\max T=\sqrt{x_1}+\sqrt{x_2}+\sqrt{x_3}+\sqrt{x_4} maxT=x1+x2+x3+x4
约束条件为
{x1≤4001.1x1+x2≤4401.21x1+1.1x2+x3≤4841.331x1+1.21x2+1.1x3+x4≤532.4xi≥0\begin{cases} x_1\leq 400\\ 1.1x_1+x_2\leq 440\\ 1.21x_1+1.1x_2+x_3\leq 484\\ 1.331x_1+1.21x_2+1.1x_3+x_4\leq 532.4\\ x_i\geq 0 \end{cases} ⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧x1≤4001.1x1+x2≤4401.21x1+1.1x2+x3≤4841.331x1+1.21x2+1.1x3+x4≤532.4xi≥0
matlab code
clear all;
clc;
A = [1.1, 1, 0, 0; 1.21, 1.1, 1, 0; 1.331, 1.21, 1.1, 1];
b = [440, 484, 532.4];
lb = [0, 0, 0, 0];
ub = [400, 1000, 1000, 1000];
x0 = [100, 100, 100, 100]; % set initial point
[x, fval] = fmincon('obj_642', x0, A, b, [], [], lb, ub);
disp(x);
disp(fval);
应用2:经营最佳安排问题
source
:Matlab优化算法 Page 189
matlab code
clear all;
clc;
lb = [0, 0];
x0 = [0, 0];
[x, w] = fmincon('obj_643', x0, [], [], [], [], lb, [], 'cons');
disp(x);
disp(w);
数值迭代法求解无约束极值问题
数值迭代的基本思想是从一个初始点X(0)X^{(0)}X(0)出发,在可行方向d(0)d^{(0)}d(0)搜索,确定最佳步长α0\alpha_0α0,使得函数沿着d⃗(0)\vec{d}^{(0)}d(0)下降最大
X(k+1)=X(k)+αkd⃗(0)(k)(1)X^{(k+1)}=X^{(k)}+\alpha_k\vec{d}^{(0)(k)}\tag{1} X(k+1)=X(k)+αkd(0)(k)(1)
黄金分割法
该方法适合在已知极值区间的基础上,不断缩小区间找到极值,要求目标函数为单峰,算法步骤如下:
- 给定区间[a,b][a, b][a,b]及eps>0eps>0eps>0
- 计算r=a+0.382(b−a),u=a+0.618(b−a)r=a+0.382(b-a), u=a+0.618(b-a)r=a+0.382(b−a),u=a+0.618(b−a)
- 如果f(r)>f(u)f(r)>f(u)f(r)>f(u),则进行下一步,否则转(5)
- 如果u−r<epsu-r<epsu−r<eps,则停止计算,输出x∗=u,f∗=f(u)x^*=u, f^*=f(u)x∗=u,f∗=f(u),否则令a=r,r=u,u=a+0.618(b−a)a=r, r=u, u=a+0.618(b-a)a=r,r=u,u=a+0.618(b−a),转(3)
- 如果u−r<epsu-r<epsu−r<eps,则停止计算,输出x∗=r,f∗=f(r)x^*=r, f^*=f(r)x∗=r,f∗=f(r),否则令b=u,u=r,r=a+0.382(b−a)b=u, u=r, r=a+0.382(b-a)b=u,u=r,r=a+0.382(b−a),转(3)
无约束多维极值
该类问题可以使用直接法求解,不需要计算导数,只需要计算函数值。
模式搜索法
轴向移动的目标是找到有利的下降方向,而模式移动的目标是沿着有利下降方向加速移动,可以使用patternsearch
函数调用。
code
clear all;
clc;
x0 = [0, 0];
x = patternsearch(@psobj, x0);
disp(x);
单纯形搜索(Simplex)
单纯形法是从一个可行解出发,不断找到可以改进目标值的基本可行解,达到最优基本可行解。
Powell法
该方法的本质是共轭方向法,Powell
法将整个计算过程分解为若干阶段,在每个阶段由n+1n+1n+1次一维搜索组成,首先沿着已知的nnn个方向进行搜索,找到一个最好点,然后沿着本阶段的初始点与该最好点连线方向进行搜索,定位出本阶段的最好点。根据得到的最好方向进行下一阶段的迭代。
最速下降法
将nnn维问题转化维一系列负梯度方向使用一维搜索方法寻优。
由方程(1)(1)(1),设置方向为负梯度方向
d⃗(k)=−∇f(x(k))∥∇f(x(k))∥\vec{d}^{(k)}=-\frac{\nabla f(x^{(k)})}{\lVert\nabla f(x^{(k)})\rVert} d(k)=−∥∇f(x(k))∥∇f(x(k))
最速方向的迭代公式为
X(k+1)=X(k)−αk∇f(X(k))∥f(X(k))∥X^{(k+1)}=X^{(k)}-\alpha_k\frac{\nabla f(X^{(k)})}{\lVert f(X^{(k)})\rVert} X(k+1)=X(k)−αk∥f(X(k))∥∇f(X(k))
在第kkk次迭代初始点X(k)X^{(k)}X(k)和搜索方向d⃗(k)\vec{d}^{(k)}d(k)确定时,原始目标函数为关于步长α\alphaα的一维函数
φ(α)=f(x(k)+αS(k))\varphi(\alpha)=f(x^{(k)}+\alpha S^{(k)}) φ(α)=f(x(k)+αS(k))
在可导的情况下,可以得到
{φ(α)=[∇f(x(k)+αd⃗(k))]T∇f(x(k))=0[∇f(x(k+1))]T∇f(x(k))=0[d⃗(k+1)]Td⃗(k)=0\begin{cases} \varphi(\alpha)=[\nabla f(x^{(k)}+\alpha \vec{d}^{(k)})]^T\nabla f(x^{(k)})=0\\ [\nabla f(x^{(k+1)})]^T\nabla f(x^{(k)})=0\\ [\vec{d}^{(k+1)}]^T\vec{d}^{(k)}=0 \end{cases} ⎩⎪⎨⎪⎧φ(α)=[∇f(x(k)+αd(k))]T∇f(x(k))=0[∇f(x(k+1))]T∇f(x(k))=0[d(k+1)]Td(k)=0
可以发现,连续两次搜索方向互相正交,形成Z形状的搜索路径。
共轭梯度法
最速下降法在越接近极值点的区域的搜索效率越差,因此采用近似的思想对最速下降法进行改进,根据目标函数在极值点附近可以近似于一个二次函数,希望进行一次迭代达到极值点x∗x^*x∗
x∗=x(1)+αd⃗(1)x^*=x^{(1)}+\alpha\vec{d}^{(1)} x∗=x(1)+αd(1)
对f(x)f(x)f(x)进行Taylor Expansions
f(x)=12xTGx+BTx+Cf(x)=\frac{1}{2}x^TGx+B^Tx+C f(x)=21xTGx+BTx+C
在x(1)x^{(1)}x(1)的梯度为
∇f(x(1))=Gx(1)+B\nabla f(x^{(1)})=Gx^{(1)}+B ∇f(x(1))=Gx(1)+B
在极值点x∗x^*x∗,满足必要条件,代入得到
∇f(x∗)=G[x(1)+α1d⃗(1)]+B=∇f(x(1))+α1Gd⃗(1)=0\nabla f(x^*)=G[x^{(1)}+\alpha_1\vec{d}^{(1)}]+B=\nabla f(x^{(1)})+\alpha_1G\vec{d}^{(1)}=0 ∇f(x∗)=G[x(1)+α1d(1)]+B=∇f(x(1))+α1Gd(1)=0
等式两侧同时乘以[d⃗(0)]T[\vec{d}^{(0)}]^T[d(0)]T,可以得到
[d⃗(0)]TGd⃗(1)=0[\vec{d}^{(0)}]^TG\vec{d}^{(1)}=0 [d(0)]TGd(1)=0
向量d⃗(0)\vec{d}^{(0)}d(0)和d⃗(1)\vec{d}^{(1)}d(1)成为GGG的共轭方向。
拟牛顿法
拟牛顿法是利用目标函数fff和一阶导数ggg的信息,构造出目标函数的曲率近似
Matlab无约束优化相关推荐
- matlab解决无约束优化问题
无约束优化问题 要用到的数学知识: 1.向量范数与矩阵范数 2.多元函数梯度与Hessian阵 3.凸集与凸函数 特别要提示的是:如果该函数为凸函数,那么它有且仅有一个最优点,如果它的值不在无穷处,我 ...
- matlab某分子由25个原子组成,清华大学数学实验-实验7无约束优化1
数学实验 实验 7 无约束优化 实验 7 无约束优化 生医 0 王言 2010013212 实验目的 1 掌握用 MATLAB 优化工具箱的基本用法 对不同算法进行初步分析 比较 2 练习用无约束优化 ...
- matlab某分子由25个原子组成,清华大学数学实验实验7无约束优化1
清华大学数学实验实验7无约束优化1 (8页) 本资源提供全文预览,点击全文预览即可全文预览,如果喜欢文档就下载吧,查找使用更方便哦! 11.9 积分 实验7无约束优化生医0 王言 2010013212 ...
- Matlab建模—无约束优化与非线性规划相关算例
数学建模期末复习,撰写博客做总结之用,主要侧重于算例的模型建立与部分代码的实现,其中不足之处望读者多多指正. 文章目录 前言 非线性规划问题 供应与选址 问题描述 模型建立 无约束最优化 梯子长度问题 ...
- matlab某分子由25个原子组成,实验七(无约束优化)
实验七(无约束优化) 化21 张腾 2014-4-18 大学数学实验 实验报告 --无约束优化 一. 实验目的 1.掌握MATLAB优化工具箱的基本用法,对不同算法进行初步分析.比较. 2.练习用无约 ...
- 02(c)多元无约束优化问题-牛顿法
此部分内容接<02(a)多元无约束优化问题>! 第二类:牛顿法(Newton method) \[f({{\mathbf{x}}_{k}}+\mathbf{\delta })\text{ ...
- 无约束优化:Hessian-Free Optimization 拟牛顿类算法(BFGS,L-BFGS)
文章目录 无约束优化:Hessian-Free Optimization 拟牛顿类算法(BFGS,L-BFGS) 为什么要用拟牛顿算法 割线方程 严格凸且光滑函数的BFGS算法 非凸但光滑函数的BFG ...
- 最优化 | 无约束优化方法 | C++实现
文章目录 参考资料 1. 前言 2. 梯度下降法 2.1 原理 2.2 c++实现 2.3 共轭梯度法 3. 牛顿法 3.1 原理 3.2 c++实现 4. 模拟退火算法 4.1 原理 4.2 c++ ...
- MATLAB无约束多维极值——最速下降法
一.算法原理 1.首先了解一个概念,什么式无约束最优化. 无约束优化问题就是在x∈R^n的范围内,找到一点x*,使得f(x*)<f(x)对于任意x∈R^n都成立.点x*就是全局最优解. 其一般形 ...
- 02(d)多元无约束优化问题-拟牛顿法
此部分内容接<02(a)多元无约束优化问题-牛顿法>!!! 第三类:拟牛顿法(Quasi-Newton methods) 拟牛顿法的下降方向写为: ${{\mathbf{d}}_{k}}= ...
最新文章
- 【知识积累】C#中结构体和类的区别
- 给GAN一句描述,它就能按要求画画,微软CVPR新研究 | 附PyTorch代码
- 裸机中代码书写的细节总结
- 获取GridView中RowCommand的当前索引行
- 2019年江苏省计算机一级考试题目和答案,江苏省计算机等级考试一级2019年(春)...
- 小码农也有大梦想!人机猜拳java项目代码
- 50张图片做出李飞飞数万张的效果,类脑AI竟然这样玩?
- 2019年8月19日矩阵
- Windows下杀进程的命令
- Json文件格式化方法
- VC 模拟鼠标和键盘输入
- Java杂谈——求所有的4位吸血鬼数字
- 点击图片 实现放大功能
- Django的CBV和FBV
- 如何在Android Framework中添加自定义硬件编解码器?
- JSON 格式化和校验工具
- zemax---单透镜设计实例01
- checkmarx检测js中的jQuery安全漏洞
- 如何降低程序员的工资?【你中招没】
- 视频监控对接GB/T28181国标平台
热门文章
- ElasticSearch问题求解:master not discovered yet: have discovered
- html背景图片在文字下面,背景图片加文字的HTML怎么写
- 开启windows10系统组策略更新、开启Windows自动更新、关闭自动更新
- 感觉现在的技术圈越来越像娱乐圈了
- python读取grd数据_从等值线图形获取DAT和GRD格式的数据文件_王宜芳
- 从“一时红”到“持久火”,“网红”农产品如何越向“长红”?
- 【Rust日报】 2019-04-28
- raise notice oracle,openGauss 循序渐进:通过 raise notice 模拟 Oracle 的 DBMS_OUTPUT
- 闲谈一下,ES3、ES4、ES5、ES6 分别是什么
- powershell_符号链接(symbolic)的创建/重新指向设定Target/与快捷方式的区别/符号链接的应用/onedrive任意文件(夹)同步问题/git管理和符号链接\辨识符号链接函数