matlab優化工具箱實驗小結

Ⅰ 利用matlab求解優化模型的實驗結果分析

這很正常，復雜問題的求解往往採用先選取一個初始解，然後採用某種演算法進行迭代的方式。fgoalattain函數應該就是採用這種方式。和傳統的求解方式不同，這種方式求解並不能准確的得到最優解，而是通過演算法向最優解逼近。演算法的不同、初始解的不同以及迭代的次數都有可能影響到最終解，所以得到不同的解也是很正常的。

Ⅱ 在matlab中，使用優化工具箱fmincon，計算一個優化問題，但報錯了，求大神講解

目標函數（Objective function）應該設置為@(x)-x(1)*x(2)*x(3)，像你現在的目標函數是需要三個輸入參數的，而fmincon調用它的時候只會提供一個參數，所以導致輸入參數不足。

另外，像這種簡單的優化問題，其實也可以直接用命令行調用：

fmincon(@(x)-x(1)*x(2)*x(3),[10 10 10],[-1 -2 -2;1 2 2],[0 72])

Ⅲ MATLAB優化工具箱怎樣改變優化結果顯示的精度

在代碼的第一行加上format long

Ⅳ MATLAB優化工具箱--線性規劃問題

這個是整數規劃。
你得用別的函數。
比如：ipslv_mex，這個好像得去網上載。

f=ones(7,1);
A=[1,4,0,0,3,1,2;1,0,3,0,1,2,0;1,0,0,2,0,0,1];
b=[50;30;25];
intlist=zeros(7,1); %代表專7個變屬量都是整數
xmin=ones(7,1); %代表7個變數的最小值均為1
xmax=inf*ones(7,1); %代表7個變數最大值均為無窮大
ctype=ones(3,1); %代表三個方程都是Ax=b,大於等於的話為1，小於等於的話為-1
[x,how]=ipslv_mex(f,A,b,intlist,xmax,xmin,ctype)
結果為：
x =

16
1
1
4
9
1
1

Ⅳ matlab遺傳演算法工具箱優化結果數值

ga就是在窮舉不可能完成時,用一種方式找到最優解
ga工具的完整形式如下表示
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] =
GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON,options)
X是最優自變數
FVAL是求得的最優值
其他以此是推出標志，結構體，終止時的總群，終止時種群函數值
後半部分以此是目標函數，目標函數自變數個數
A和b是線性約束不等式AX〈b
Aeq和beq是一對線性等式約束，AeqX=beq
lb是X值下限，ub是X值下限
NONLCON是非線性約束函數 options是運行方式。這兩個可以寫函數自己完成，也可默認
函數默認計算最小值，計算最大值要加負號

Ⅵ matlab 優化工具箱怎麼用

首先看一個gui對遺傳演算法的應用， 求下列函數的極小值。 f(x)=x.^4-3*x.^3+x.^2-2; 利用遺傳演算法求內解容，選擇ga solver（求解器），輸入適應函數，輸入變數個數，start就可以了，充分反應了遺傳演算法的優越性。 接著是對無約束一維極值問題的求解。...

Ⅶ matlab優化工具箱約束條件如何填寫

static void(int[]group)
{
int temp;
int pos=0;
for(int i=0;i< group.Length-1;i++)
{
pos=i;
for(intj=i+1;j<group.Length;j++)
{
if(group[j]<group[pos])
{
pos=j;
}
}//第i個數與最小的數group[pos]交換
temp=group[i];
group[i]=group[pos];
group[pos]=temp;
}
}

Ⅷ matlab工具箱優化問題

這問題，不好意思
路過......拿兩分

Ⅸ matlab 優化工具箱

在matlab命令窗口中輸入:edit，然後將下列兩行百分號之間的內容復制進去，保存。
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function f=y(x)
f(1)=10-0.0116*x(2)-0.0185*x(3)-0.0194*x(5)-0.0302*x(6)-0.1013*x(8)-0.0162*x(9);
f(2)=24-0.0399*x(1)-0.02924*x(2)-0.02376*x(3)-0.0665*x(4)-0.04896*x(5)-0.03996*x(6)-0.0342*x(7)-0.0255*x(8)-0.02079*x(9);
f(3)=36.5-0.042*x(1)-0.043*x(2)-0.044*x(3)-0.07*x(4)-0.072*x(5)-0.074*x(6)-0.0365*x(7)-0.0375*x(8)-0.0385*x(9);
f(4)=350-1.176*x(1)-0.516*x(2)-0.264*x(3)-1.96*x(4)-0.864*x(5)-0.444*x(6)-1.008*x(7)-0.45*x(8)-0.231*x(9);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

返回matlab命令窗口，輸入以下命令，應當就有結果了。
A=[0.042,0,0,0.07,0,0,0.0365,0,0;
0,0.043,0,0,0.072,0,0,0.0375,0;
0,0,-0.044,0,0,-0.074,0,0,-0.0385;
0,0,0.044,0,0,0.074,0,0,0.0385;
1,1,1,0,0,0,0,0,0;
0,0,0,1,1,1,0,0,0;
0,0,0,0,0,0,1,1,1];
b=[4,23,-14,16,310,310,150]';
goal=[0.001,0.001,0.001,0.001]';
weight=abs(goal);
lb=0;
x0=[10,10,10,10,10,10,10,10,10]';
x=fgoalattain('y',x0,goal,weight,A,b,[],[],lb,[]); %%不好意思我是照你寫的,這里應當是y,注意函數名一般不要取這么簡單的,要不然有可能跟變數名重復.

%另外matlab是不認中文符號的，你自己注意一下。

Ⅹ MATLAB優化工具箱怎麼試用

首先看一個gui對遺傳演算法的應用，
求下列函數的極小值。
f(x)=x.^4-3*x.^3+x.^2-2;
利用遺傳演算法求解，選擇ga solver（求解器），輸入適應函數，輸入變數個數，start就可以了，充分反應了遺傳演算法的優越性。
接著是對無約束一維極值問題的求解。
首先是進退法搜索單谷函數的極值問題。原理就是在固定區間內按照一定步長無窮逼近最優解,不過無論怎樣逼近，最後得到的還是符合精度的區間，並不是理論最優解。Matlab中用minJT函數來實現。
相關的函數代碼可以在matlab相關文件夾中找到，這里就不多說，不過還是按這種方法求一下上面的極小值問題。
代碼如下：
syms x;
f=x^4-3*x^3+x^2-2;
[x1,x2]=minJT(f,0,0.001);
在2009b中結果是。2009b已經沒有這個函數了。
無語了一下，繼續看下一種方法，黃金分割法。
也是一種無窮逼近法，利用黃金分割長生前一個區間中的內點，捨去一個端點。逐漸逼近最小值，是一種單向收縮法。
不過2009b也沒有這個函數了。
然後是斐波那契法。
我們首先就會聯想到斐波那契數列，不過這里確實用到了斐波那契數列。
斐波那契法顯然是一種雙向收縮法具體的搜索原理就不多追究了。
然後便是牛頓迭代法，原來就學過的一種速度相當快的迭代方法，其中優化後的全局牛頓法，一般的牛頓法需要初始點接近最值點而全局牛頓法則不需要這個要求。關最後還有割線法，二次插值和三次插值法。以後會慢慢補充相關的函數m文件的。