用MATLAB优化工具箱解线性规划.doc

用MATLAB优化工具箱解线性规划
模型：

命令：
[1] [x,fval]=linprog（c，A，b，Aeq,beq, VLB，VUB）
[2] x=linprog（c，A，b，Aeq,beq, VLB，VUB, X0）

注意：[1] 若没有等式约束, 则令Aeq=[ ], beq=[ ]. [2]其中X0表示初始点

编写M文件xxgh3.m如下:
f = [13 9 10 11 12 8];
A = [0.4 1.1 1 0 0 0
0 0 0 0.5 1.2 1.3];
b = [800; 900];
Aeq=[1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1];
beq=[400 600 500];
vlb = zeros(6,1); vub=[];
[x,fval] = linprog(f,A,b,Aeq,beq,vlb,vub)

Matlab优化工具箱简介
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

变量
描 述
调用函数
x
由优化函数求得的值.若exitflag>0,则x为解;否则,x不是最终解,它只是迭代制止时优化过程的值
所有优化函数
fval
解x处的目标函数值
linprog,quadprog,fgoalattain, fmincon,fminimax,lsqcurvefit,
lsqnonlin, fminbnd
exitflag
描述退出条件:
l exitflag>0,表目标函数收敛于解x处
l exitflag=0,表已达到函数评价或迭代的最大次数
l exitflag<0,表目标函数不收敛

output
包含优化结果信息的输出结构.
l Iterations:迭代次数
l Algorithm:所采用的算法
l FuncCount:函数评价次数
所有优化函数
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) Display: 显示水平.取值为’off’时,不显示输出; 取值为’iter’时,显示每次迭代的信息;取值为’final’时,显示最终结果.默认值为’final’.
(2) 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.
5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 0,8)
f1='-2*exp(-x).*sin(x)';
[xmax,ymax]=fminbnd (f1, 0,8)
运行结果：
xmin = 3.9270 ymin = -0.0279
xmax = 0.7854 ymax = 0.6448
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 1.0000
fval =1.9151e-010
exitflag = 1
output = 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.m
[x，fval，exitflag，output]= fminunc（fun,X0 ，options）

Rosenbrock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.

非线性规划
1、 二次规划
标准型为：
Min Z= XTHX+cTX
s.t. AX<=b

VLB≤X≤VUB

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(...);

一般非线性规划
标准型为：
　　　min F(X)
s.t AX<=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) xfmincon(‘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。