优化选择

创建优化选项

在页面上崩溃

句法

选项= optimoptions (SolverName)

选项= Optimoptions（SolverName，Name，Value）

选项= Optimoptions（OldOptions，Name，Value）

选择= optimoptions (SolverName oldoptions)

选项= optimoptions(概率)

选择= optimoptions(概率、名称、值)

描述

例子

选项= optimoptions (solvername.的）的默认选项集solvername.求解器。

例子

选项= optimoptions (solvername.那名称,值的）回报选项使用一个或多个名称值对参数设置指定的参数。

例子

选项= optimoptions (oldoptions.那名称,值的）返回一份副本oldoptions.用指定的值更改命名参数。

例子

选项= optimoptions (solvername.那oldoptions.的）返回默认选项solvername.求解器，并复制适用的选项oldoptions.到选项。

例子

选项= optimoptions (概率的）的默认选项集概率优化问题或等式问题。

选项= optimoptions (概率那名称,值的）使用一个或多个名称值对参数返回具有指定参数的选项。

例子

全部折叠

创建默认选项

打开生活的脚本

的默认选项粉刺求解器。

选择= optimoptions (“fmincon”的）

options = fmincon options: options used by current Algorithm (' internal -point'):(其他可用算法:'active-set'， 'sqp'， 'sqp-legacy'， 'trust-region-reflective')默认属性:算法:“内点”BarrierParamUpdate:“单调”CheckGradients: 0 ConstraintTolerance: 1.0000 e-06显示:“最终”EnableFeasibilityMode: 0 FiniteDifferenceStepSize:“sqrt (eps)”FiniteDifferenceType:“向前”HessianApproximation:“蓄热”HessianFcn: [] HessianMultiplyFcn: [] HonorBounds: 1 MaxFunctionEvaluations:3000 MaxIterations: 1000 ObjectiveLimit: -1.0000e+20 OptimalityTolerance: 1.0000e-06 OutputFcn: [] PlotFcn: [] ScaleProblem: 0 specificconstraintgradient: 0 specificobjectivegradient: 0 StepTolerance: 1.0000e-10 SubproblemAlgorithm: '因数分解' TypicalX: 'ones(numberOfVariables,1)' UseParallel:显示当前算法未使用的选项('interior-point')

创建默认的选项

打开生活的脚本

设置选项粉刺使用sqp算法，最多1500次迭代。

选项= Optimoptions（@Fmincon，“算法”那“sqp”那'发光', 1500)

设置属性:Algorithm: 'sqp' MaxIterations: 1500默认属性:CheckGradients: 0 constraintttolerance: 1.0000e-06 Display: 'final' FiniteDifferenceStepSize:maxfunction evaluates: '100*numberOfVariables' objectilimit: -1.0000e+20 OptimalityTolerance: 1.0000e-06 OutputFcn: [] PlotFcn: [] ScaleProblem: 0 specificconstraintgradient: 0 specificobjectivegradient: 0 StepTolerance: 1.0000e-06 TypicalX: 'ones(numberOfVariables,1)' UseParallel:显示当前算法未使用的选项('sqp')

更新选项

打开生活的脚本

用新值更新现有选项。

为lsqnonlin.求解器的使用Levenberg-Marquardt算法和最多1500个函数计算

oldoptions = optimoptions (@lsqnonlin,“算法”那'levenberg-marquardt'那......'maxfunctionevaluations', 1500)

oldoptions = lsqnonlin options: options used by current Algorithm ('levenberg-marquardt'):(其他可用算法:' trusted -region-reflective')设置属性:Algorithm: 'levenberg-marquardt' maxfunctionevalues: 1500默认属性:CheckGradients: 0显示:'final' FiniteDifferenceStepSize: 'sqrt(eps)' FiniteDifferenceType:'forward' FunctionTolerance: 1.0000e-06 MaxIterations: 400 OutputFcn: [] PlotFcn: [] speciyobjectivegradient: 0 StepTolerance: 1.0000e-06 TypicalX: 'ones(numberOfVariables,1)' UseParallel: 0显示当前算法未使用的选项(' levenbermarquardt ')

增加MaxFunctionEvaluations.到2000年。

选择= optimoptions (oldoptions,'maxfunctionevaluations', 2000)

选项= LSQNONLIN选项：当前算法（'Levenberg-Marquardt'）使用的选项:(其他可用算法：'信任区域反光'）设置属性：算法：'Levenberg-Marquardt'MaxFunctionevaluations：2000默认属性：赛程：0显示：'最终'finitedifferencestepsize：'sqrt（eps）'finitedifferenceType：'转发'functionTolerance：1.0000E-06最大值：400 OutputFCN：[] PlotFCN：[] SpecifyObjectiveGRadient：0 Steption：1.0000E-06 Typicalx：'（NumberOfvarialbles，1）'使用反应性：0显示当前算法未使用的选项（'Levenberg-Marquardt'）

使用点符号来更新选项

打开生活的脚本

使用点表示法用新值更新现有选项。

为lsqnonlin.求解器的使用Levenberg-Marquardt算法和最多1500个函数计算

选项= Optimoptions（@lsqnonlin，“算法”那'levenberg-marquardt'那......'maxfunctionevaluations', 1500)

选项= LSQNONLIN选项：当前算法（'Levenberg-Marquardt'）使用的选项:(其他可用算法：'信任区域反光'）设置属性：算法：'Levenberg-Marquardt'MaxFunctionevaluations：1500默认属性：赛程：0显示：'最终'finitedifferencestepsize：'sqrt（eps）'finitedifferenceType：'转发'functionTolerance：1.0000E-06最大值：400 OutputFCN：[] PlotFCN：[] SpecifyObjectiveGRadient：0 Steption：1.0000E-06 Typicalx：'（NumberOfvarialbles，1）'使用反应性：0显示当前算法未使用的选项（'Levenberg-Marquardt'）

增加MaxFunctionEvaluations.到2000年。

选项。MaxFunctionEvaluations = 2000

选项= LSQNONLIN选项：当前算法（'Levenberg-Marquardt'）使用的选项:(其他可用算法：'信任区域反光'）设置属性：算法：'Levenberg-Marquardt'MaxFunctionevaluations：2000默认属性：赛程：0显示：'最终'finitedifferencestepsize：'sqrt（eps）'finitedifferenceType：'转发'functionTolerance：1.0000E-06最大值：400 OutputFCN：[] PlotFCN：[] SpecifyObjectiveGRadient：0 Steption：1.0000E-06 Typicalx：'（NumberOfvarialbles，1）'使用反应性：0显示当前算法未使用的选项（'Levenberg-Marquardt'）

复制选项到另一个解算器

打开生活的脚本

转移非菲德劳特选项粉刺解决方案的选项Fminunc.求解器。

设置选项粉刺使用SQP算法，最多1500次迭代。

oldoptions = optimoptions (@fmincon,“算法”那“sqp”那'发光', 1500)

oldoptions = fmincon options: options used by current Algorithm ('sqp'):(其他可用算法:'active-set'， ' internal -point'， 'sqp-legacy'， 'trust-region-reflective')设置属性:算法:'sqp' MaxIterations: 1500默认属性:CheckGradients: 0 constraintolerance: 1.0000e-06 Display: 'final' FiniteDifferenceStepSize:maxfunction evaluates: '100*numberOfVariables' objectilimit: -1.0000e+20 OptimalityTolerance: 1.0000e-06 OutputFcn: [] PlotFcn: [] ScaleProblem: 0 specificconstraintgradient: 0 specificobjectivegradient: 0 StepTolerance: 1.0000e-06 TypicalX: 'ones(numberOfVariables,1)' UseParallel:显示当前算法未使用的选项('sqp')

将适用的选择转移到Fminunc.求解器。

选项= Optimoptions（@ Fminunc，OldOptions）

选项= fminunc选项：当前算法使用的选项（'quasi-newton'）:(其他可用算法：'trust-region'）设置属性：赛程检查：[] specifyobjectivegradient：0 steptolerance：1.0000E-06默认属性：算法：'准牛顿'显示：'Final'finitedifferencestepsize：'sqrt（eps）'maxFunctionevaluations：'100 * numberofvariables'objectivelimit：-1.0000e + 20 outputfcn：[]典型x：'（numberofvariables，1）'使用指平行：0显示当前算法未使用的选项（'quasi-newton'）

算法选项没有转移到Fminunc.因为“sqp”不是有效的算法选项Fminunc.。

查找优化问题的求解器和默认选项

打开生活的脚本

创建一个优化问题，并找到默认的解决方案和选项。

rng默认x = Optimvar（“x”，3，下界的, 0);Expr = x'*(eye(3) + randn(3))*x - randn(1,3)*x;概率= optimproblem (“目标”, expr);选项= optimoptions(概率)

options = quadprog options: options by current Algorithm ('interior-point-凸'):(其他可用算法:'active-set'， 'trust-region-reflective')设置属性:没有设置选项。默认属性:Algorithm: ' inner -point-凸' constraintolerance: 1.0000e-08 Display: 'final' LinearSolver: 'auto' MaxIterations: 200 OptimalityTolerance: 1.0000e-08 StepTolerance: 1.0000e-12显示当前算法(' inner -point-凸')未使用的选项

默认求解器是quadprog。

设置使用迭代显示的选项。找到解决方案。

选项。显示=“通路”；索尔=解决(概率,“选项”、选择);

用四轴飞行器解决问题。你的Hessian不是对称的。重置H = (H + H) / 2。Iter Fval Primal infas Dual infas complement 0 2.018911e+00 0.000000e+00 2.757660e+00 6.535839e-01 1 -2.170204e+00 0.000000e+00 8.88178e -16 2.586177e-01 2 -3.405808e+00 0.000000e+00 8.881784e-16 2.244054e-03 3 -3.438788e+00 0.000000e+00 3.356690e-16 7.261144e-09发现满足约束条件的最小值。优化完成是因为目标函数在可行方向上不减小到最优性公差的值内，约束条件满足到约束公差的值内。