一直知道matlab的优化工具箱，可是一直都没有学习，Matlab提供的功能主要有线性规划、非线性规划、极值问题等，这些也是比较常见的优化问题。优化工具箱概述 1.MATLAB求解优化问题的主要函数2.优化函数的输入变量使用优化函数或优化工具箱中其它优化函数时, 输入变量见下表: 3.优化函数的输出变量下表:4．控制参数options的设置Options中常用的几个参数的名称、含义、取值如下:(1)   MaxFunEvals: 允许进行函数评价的最大次数,取值为正整数.(3)  MaxIter: 允许进行迭代的最大次数,取值为正整数控制参数options可以通过函数optimset创建或修改。命令的格式如下：(1) options=optimset(‘optimfun’)   创建一个含有所有参数名,并与优化函数optimfun相关的默认值的选项结构options.(2)options=optimset(‘param1’,value1,’param2’,value2,...)   创建一个名称为options的优化选项参数,其中指定的参数具有指定值,所有未指定的参数取默认值.(3)options=optimset(oldops,‘param1’,value1,’param2’,value2,...)   创建名称为oldops的参数的拷贝,用指定的参数值修改oldops中相应的参数.例：opts=optimset(‘Display’,’iter’,’TolFun’,1e-8)  该语句创建一个称为opts的优化选项结构,其中显示参数设为’iter’, TolFun参数设为1e-8. 用Matlab解无约束优化问题 一元函数无约束优化问题常用格式如下：(1)x= fminbnd (fun,x1,x2)(2)x= fminbnd (fun,x1,x2，options)(3)[x，fval]= fminbnd(...)(4)[x，fval，exitflag]= fminbnd(...)(5)[x，fval，exitflag，output]= fminbnd(...)其中(3)、(4)、(5)的等式右边可选用(1)或(2)的等式右边。   函数fminbnd的算法基于黄金分割法和二次插值法，它要求目标函数必须是连续函数，并可能只给出局部最优解。例1 求在0   先编写M文件fun0.m如下:  function f=fun0(x)  f=-(3-2*x).^2*x;主程序为wliti2.m:  [x,fval]=fminbnd('fun0',0,1.5);  xmax=x  fmax=-fval运算结果为: xmax = 0.5000,fmax =2.0000.即剪掉的正方形的边长为0.5米时水槽的容积最大,最大容积为2立方米.2、多元函数无约束优化问题标准型为：min F(X)命令格式为:(1)x= fminunc(fun,X0 )；或x=fminsearch(fun,X0 )(2)x= fminunc(fun,X0 ，options)；     或x=fminsearch(fun,X0 ，options)(3)[x，fval]= fminunc(...)；     或[x，fval]= fminsearch(...)(4)[x，fval，exitflag]= fminunc(...)；     或[x，fval，exitflag]= fminsearch(5)[x，fval，exitflag，output]= fminunc(...)；     或[x，fval，exitflag，output]= fminsearch(...)说明:•    fminsearch是用单纯形法寻优. fminunc的算法见以下几点说明：[1] fminunc为无约束优化提供了大型优化和中型优化算法。由options中的参数LargeScale控制：LargeScale=’on’(默认值),使用大型算法LargeScale=’off’(默认值),使用中型算法[2] fminunc为中型优化算法的搜索方向提供了4种算法，由    options中的参数HessUpdate控制：HessUpdate=’bfgs’(默认值)，拟牛顿法的BFGS公式；HessUpdate=’dfp’，拟牛顿法的DFP公式；HessUpdate=’steepdesc’，最速下降法[3] fminunc为中型优化算法的步长一维搜索提供了两种算法，    由options中参数LineSearchType控制：LineSearchType=’quadcubic’(缺省值)，混合的二次和三次多项式插值；LineSearchType=’cubicpoly’，三次多项式插•    使用fminunc和 fminsearch可能会得到局部最优解.例3min f(x)=(4x12+2x22+4x1x2+2x2+1)*exp(x1)1、编写M-文件 fun1.m:    function f = fun1 (x)    f = exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1); 2、输入M文件wliti3.m如下:       x0 = [-1, 1];       x=fminunc(‘fun1’,x0);       y=fun1(x)3、运行结果:       x=   0.5000     -1.0000       y =   1.3029e-10 例4   Rosenbrock 函数 f(x1，x2)=100(x2-x12)2+(1-x1)2      的最优解(极小)为x*=(1，1)，极小值为f*=0.试用      不同算法(搜索方向和步长搜索)求数值最优解.          初值选为x0=(-1.2 , 2). 1.为获得直观认识，先画出Rosenbrock  函数的三维图形,  输入以下命令：     [x,y]=meshgrid(-2:0.1:2,-1:0.1:3);     z=100*(y-x.^2).^2+(1-x).^2;     mesh(x,y,z)2. 画出Rosenbrock  函数的等高线图,输入命令：     contour(x,y,z,20)     hold on     plot(-1.2,2,' o ');     text(-1.2,2,'start point')     plot(1,1,'o')     text(1,1,'solution')3.用fminsearch函数求解输入命令:   f='100*(x(2)-x(1)^2)^2+(1-x(1))^2';   [x,fval,exitflag,output]=fminsearch(f, [-1.2 2])运行结果:       x =1.0000    1.0000fval =1.9151e-010exitflag = 1output =             iterations: 108             funcCount: 202            algorithm: 'Nelder-Mead simplex direct search' 4. 用fminunc函数(1)建立M-文件fun2.m          function f=fun2(x)          f=100*(x(2)-x(1)^2)^2+(1-x(1))^2(2)主程序wliti44.mRosenbrock函数不同算法的计算结果可以看出，最速下降法的结果最差.因为最速下降法特别不适合于从一狭长通道到达最优解的情况.例5  产销量的最佳安排    某厂生产一种产品有甲、乙两个牌号，讨论在产销平衡的情况下如何确定各自的产量，使总利润最大. 所谓产销平衡指工厂的产量等于市场上的销量.符号说明z(x1,x2)表示总利润；p1，q1，x1分别表示甲的价格、成本、销量；p2，q2，x2分别表示乙的价格、成本、销量；    aij，bi，λi,ci(i，j =1，2)是待定系数.基本假设1．价格与销量成线性关系利润既取决于销量和价格，也依赖于产量和成本。按照市场规律，甲的价格p1会随其销量x1的增长而降低，同时乙的销量x2的增长也会使甲的价格有稍微的下降，可以简单地假设价格与销量成线性关系，即：   p1 = b1 - a11 x1 - a12 x2，b1，a11，a12 > 0，且a11 > a12；同理， p2 = b2 - a21 x1- a22 x2 ，b2，a21，a22> 02．成本与产量成负指数关系甲的成本随其产量的增长而降低,且有一个渐进值,可以假设为负指数关系,即:        同理，    模型建立总利润为： z(x1,x2)=(p1-q1)x1+(p2-q2)x2若根据大量的统计数据,求出系数b1=100,a11=1,a12=0.1,b2=280,a21=0.2,a22=2,r1=30,λ1=0.015,c1=20, r2=100,λ2=0.02,c2=30,则问题转化为无约束优化问题：求甲,乙两个牌号的产量x1，x2，使总利润z最大.为简化模型,先忽略成本,并令a12=0,a21=0,问题转化为求:        z1 = ( b1 - a11x1 ) x1 + ( b2 - a22x2 ) x2的极值. 显然其解为x1 = b1/2a11 = 50, x2 = b2/2a22 = 70,我们把它作为原问题的初始值.模型求解1.建立M-文件fun.m:       function f = fun(x)      y1=((100-x(1)- 0.1*x(2))-(30*exp(-0.015*x(1))+20))*x(1);      y2=((280-0.2*x(1)- 2*x(2))-(100*exp(-0.02*x(2))+30))*x(2);      f=-y1-y2;2.输入命令:      x0=[50,70];      x=fminunc(‘fun’,x0),      z=fun(x)3.计算结果:      x=23.9025, 62.4977,  z=6.4135e+003  即甲的产量为23.9025,乙的产量为62.4977,最大利润为6413.5. 二次规划用MATLAB软件求解,其输入格式如下:1.      x=quadprog(H,C,A,b);2.      x=quadprog(H,C,A,b,Aeq,beq);3.      x=quadprog(H,C,A,b,Aeq,beq,VLB,VUB);4.      x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0);5.      x=quadprog(H,C,A,b, Aeq,beq ,VLB,VUB,X0,options);6.      [x,fval]=quaprog(...);7.      [x,fval,exitflag]=quaprog(...);8.      [x,fval,exitflag,output]=quaprog(...);例1    min f(x1,x2)=-2x1-6x2+x12-2x1x2+2x22s.t.   x1+x2≤2-x1+2x2≤2x1≥0, x2≥01、写成标准形式： 2、 输入命令：     H=[1 -1; -1 2];      c=[-2 ;-6];A=[1 1; -1 2];b=[2;2];      Aeq=[];beq=[]; VLB=[0;0];VUB=[];      [x,z]=quadprog(H,c,A,b,Aeq,beq,VLB,VUB)3、运算结果为：     x =0.6667  1.3333   z = -8.2222 一般非线性规划 标准型为：　　　min F(X)s.tAX<=b    G(X)Ceq(X)=0    VLBXVUB其中X为n维变元向量，G(X)与Ceq(X)均为非线性函数组成的向量，其它变量的含义与线性规划、二次规划中相同.用Matlab求解上述问题，基本步骤分三步：1. 首先建立M文件fun.m,定义目标函数F(X):function f=fun(X);f=F(X);2. 若约束条件中有非线性约束:G(X)或Ceq(X)=0,则建立M文件nonlcon.m定义函数G(X)与Ceq(X):function [G,Ceq]=nonlcon(X)G=...Ceq=...3. 建立主程序.非线性规划求解的函数是fmincon,命令的基本格式如下：       (1)  x=fmincon(‘fun’,X0,A,b)(2)  x=fmincon(‘fun’,X0,A,b,Aeq,beq)(3)  x=fmincon(‘fun’,X0,A,b, Aeq,beq,VLB,VUB)(4) x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’)(5)x=fmincon(‘fun’,X0,A,b,Aeq,beq,VLB,VUB,’nonlcon’,options)(6) [x,fval]= fmincon(...)(7) [x,fval,exitflag]= fmincon(...)(8)[x,fval,exitflag,output]= fmincon(...)注意： [1] fmincon函数提供了大型优化算法和中型优化算法。默认时，若在fun函数中提供了梯度(optionS参数的GradObj设置为’on’)，并且只有上下界存在或只有等式约束，fmincon函数将选择大型算法。当既有等式约束又有梯度约束时，使用中型算法。[2] fmincon函数的中型算法使用的是序列二次规划法。在每一步迭代中求解二次规划子问题，并用BFGS法更新拉格朗日Hessian矩阵。[3] fmincon函数可能会给出局部最优解，这与初值X0的选取有关。例2 s.t.2、先建立M-文件fun3.m:    function f=fun3(x);    f=-x(1)-2*x(2)+(1/2)*x(1)^2+(1/2)*x(2)^23、再建立主程序youh2.m：        x0=[1;1];     A=[2 3 ;1 4]; b=[6;5];     Aeq=[];beq=[];     VLB=[0;0]; VUB=[];   [x,fval]=fmincon('fun3',x0,A,b,Aeq,beq,VLB,VUB)4、运算结果为：   x = 0.7647       1.0588   fval =   -2.0294  例3  1．先建立M文件fun4.m,定义目标函数:      function f=fun4(x);        f=exp(x(1))       *(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);2．再建立M文件mycon.m定义非线性约束：      function [g,ceq]=mycon(x)      g=[x(1)+x(2);1.5+x(1)*x(2)-x(1)-x(2);-x(1)*x(2)-10];3．主程序youh3.m为:x0=[-1;1];A=[];b=[];Aeq=[1 1];beq=[0];vlb=[];vub=[];[x,fval]=fmincon('fun4',x0,A,b,Aeq,beq,vlb,vub,'mycon')3. 运算结果为：       x = -1.2250    1.2250       fval = 1.8951例4．资金使用问题设有400万元资金, 要求4年内使用完, 若在一年内使用资金x万元, 则可得效益万元(效益不能再使用),当年不用的资金可存入银行, 年利率为10%. 试制定出资金的使用计划, 以使4年效益之和为最大.设变量表示第i年所使用的资金数,则有         1．先建立M文件fun44.m,定义目标函数:function f=fun44(x)       f=-(sqrt(x(1))+sqrt(x(2))+sqrt(x(3))+sqrt(x(4)));2．再建立M文件mycon1.m定义非线性约束：      function [g,ceq]=mycon1(x)      g(1)=x(1)-400;g(2)=1.1*x(1)+x(2)-440;g(3)=1.21*x(1)+1.1*x(2)+x(3)-484;g(4)=1.331*x(1)+1.21*x(2)+1.1*x(3)+x(4)-532.4;ceq=03．主程序youh4.m为:x0=[1;1;1;1];vlb=[0;0;0;0];vub=[];A=[];b=[];Aeq=[];beq=[];[x,fval]=fmincon('fun44',x0,A,b,Aeq,beq,vlb,vub,'mycon1')得到      线性规划问题线性规划问题是目标函数和约束条件均为线性函数的问题，MATLAB6.0 解决的线性规划问题的标准形式为：min f(x)sub.to：          x A ≤b ⋅  x Aeq = beq⋅ ub≤ x≤ lb 其中 f、x、b、beq、lb、ub 为向量，A、Aeq 为矩阵。 其它形式的线性规划问题都可经过适当变换化为此标准形式。x = linprog(f,A,b,Aeq,beq,lb,ub,x0)      %设置初值 x0 “半无限”有约束的多元函数最优解x  =  fseminf(fun,x0,ntheta,semiNFCon)

x = fseminf(fun,x0,ntheta,seminfcon,A,b)

x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq)

x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq,lb,ub)

x = fseminf(fun,x0,ntheta,seminfcon,A,b,Aeq,beq,lb,ub,options)

[x,fval] = fseminf(⋯)

[x,fval,exitflag] = fseminf(⋯)

[x,fval,exitflag,output] = fseminf(⋯)

[x,fval,exitflag,output,lambda] = fseminf(⋯)极小化极大问题例子：最小二乘最优问题约束线性最小二乘非线性数据拟合非线性最小二乘非负线性最小二乘非线性方程的解

非线性方程的标准形式为 f(x)=0

函数    fzero

格式    x  =  fzero  (fun,x0)      %用 fun 定义表达式 f(x)，x0 为初始解。

x = fzero (fun,x0,options)

[x,fval] = fzero(⋯)          %fval=f(x)

[x,fval,exitflag] = fzero(⋯)[x,fval,exitflag,output] = fzero(⋯)

说明    该函数采用数值解求方程 f(x)=0 的根。