若要在基于问题的方法中使用MATLAB™函数，而该函数不是由受支持的函数组成的，请首先将其转换为优化表达式。金宝app看到金宝app优化变量和表达式的支持操作而且将非线性函数转化为优化表达式．

使用目标函数γ(数学函数 $$\Gamma （x）$$(阶乘函数的扩展)，创建一个优化变量x并在转换后的匿名函数中使用它。

X = optimvar(“x”）;Obj = fcn2optimexpr(@gamma,x);问题=优化问题(“目标”、obj);显示(概率)

优化问题:求解:x最小化:gamma(x)

为了解决产生的问题，给出一个初始点结构和调用解决．

x0。x＝1/2; sol = solve(prob,x0)

使用fminunc解决问题。找到局部极小值。优化完成，因为梯度的大小小于最优性公差的值。

索尔=带字段的结构:x: 1.4616

对于更复杂的函数，转换函数文件。函数文件gammabrock.m计算两个优化变量的目标。

类型gammabrock

函数f = gammabrock(x,y) f = (10*(y - gamma(x)))²+ (1 - x)²;

在问题中包含这个目标。

X = optimvar(“x”，下界的, 0);Y = optimvar(“y”）;Obj = fcn2optimexpr(@gammabrock,x,y);问题=优化问题(“目标”、obj);显示(概率)

优化问题:解决:x, y最小化:gammabrock(x, y)变量界限:0 <= x

的gammabrock函数是平方和。通过将函数表示为优化表达式的显式平方和，可以得到一个更有效的问题公式。

F = fcn2optimexpr(@(x,y)y - gamma(x)，x,y);Obj2 = (10*f)^2 + (1-x)^2;Prob2 =优化问题(“目标”, methoda);

要看效率的差异，解决概率而且prob2并检查迭代次数的差异。

x0。x＝1/2; x0.y = 1/2; [sol,fval,~,output] = solve(prob,x0);

使用fmincon解决问题。找到满足约束条件的局部最小值。优化完成是因为目标函数在可行方向上不递减，在最优性容差值范围内，约束条件满足在约束容差值范围内。

[sol2,fval2，~，output2] = solve(prob2,x0);

使用lsqnonlin解决问题。找到局部极小值。优化完成，因为梯度的大小小于最优性公差的值。

流(' probb花费了%d次迭代，但prob2花费了%d次迭代\n'、output.iterations output2.iterations)

probb需要21次迭代，而prob2需要2次迭代

如果函数有多个输出，则可以将它们用作目标函数的元素。在这种情况下，u是一个2乘2的变量，v是2乘1的变量，和expfn3有三个输出。

类型expfn3

函数[f,g,mineval] = expfn3(u,v) mineval = min(eig(u));F = v'*u*v;F = -exp(-f);T = u*v;G = t'*t + sum(t) - 3;

创建适当大小的优化变量，并根据前两个输出创建一个目标函数。

U = optimvar(“u”2、2);V = optimvar(“v”2);[f,g,mineval] = fcn2optimexpr(@expfn3,u,v);Prob =优化问题;概率。目标= f*g/(1 + f^2);显示(概率)

优化问题:求解:u, v最小化:((arg2 .* arg3) ./ (1 + arg1.^2)) where: [arg1，~，~] = expfn3(u, v);[arg2，~，~] = expfn3(u, v);[~，arg3，~] = expfn3(u, v);

您可以使用mineval在后续约束表达式中输出。

在基于问题的优化中，约束是两个带有比较运算符(= =，< =,或> =)。你可以使用fcn2optimexpr创建一个或两个优化表达式。看到将非线性函数转化为优化表达式．

创建非线性约束gammafn2小于等于-1/2。这个二元函数在gammafn2.m文件。

类型gammafn2

函数f = gammafn2 (x, y) f =γ(x) * (y / (1 + y ^ 2));

创建优化变量，将函数文件转换为优化表达式，然后将约束表示为confn．

X = optimvar(“x”，下界的, 0);Y = optimvar(“y”，下界的, 0);Expr1 = fcn2optimexpr(@gammafn2,x,y);Confn = expr1 <= -1/2;显示(confn)

Gammafn2 (x, y) <= -0.5

创建另一个约束条件gammafn2大于或等于X + y．

Confn2 = expr1 >= x + y;

创建一个优化问题，并在问题中放置约束条件。

Prob =优化问题;probo . constraints .confn = confn;prob.Constraints。Confn2 = Confn2;显示(概率)

优化问题:求解:x, y最小化:受制于confn: gammafn2(x, y) <= -0.5受制于confn: gammafn2(x, y) >= (x + y)变量边界:0 <= x 0 <= y

如果您的问题涉及计算目标和非线性约束的常见且耗时的函数，则可以使用ReuseEvaluation名称-值参数。的rosenbrocknorm函数计算Rosenbrock目标函数和约束中使用的参数的范数 $$为x{为}^2\le 4$$．

类型rosenbrocknorm

function [f,c] = rosenbrocknorm(x) pause(1) %模拟耗时函数c = dot(x,x);F = 100*(x(2) - x(1)²)²+ (1 - x(1))²;

创建一个二维优化变量x．然后转换rosenbrocknorm的优化表达式fcn2optimexpr并设置ReuseEvaluation参数的名称-值真正的．为了确保fcn2optimexpr使暂停语句，设置分析'的名称-值参数了”．

X = optimvar(“x”2);[f,c] = fcn2optimexpr(@rosenbrocknorm,x，.．.“ReuseEvaluation”,真的,“分析”，“关闭”）;

从返回的表达式创建目标表达式和约束表达式。在优化问题中包含目标表达式和约束表达式。使用以下方法回顾问题显示．

问题=优化问题(“目标”f);probe . constraints .cineq = c <= 4;显示(概率)

优化问题:求解:x最小化:[argout，~] = rosenbrocknorm(x) subject to cineq: arg_LHS <= 4 where: [~，arg_LHS] = rosenbrocknorm(x);

从起点开始解决问题x0。x＝［-1;1]，计时结果。

x0。x＝［-1;1]; tic [sol,fval,exitflag,output] = solve(prob,x0)

使用fmincon解决问题。找到满足约束条件的局部最小值。优化完成是因为目标函数在可行方向上不递减，在最优性容差值范围内，约束条件满足在约束容差值范围内。<停止条件详细信息>

索尔=带字段的结构:X: [2×1 double]

Fval = 4.5793e-11

exitflag = OptimalSolution

输出=带字段的结构:迭代:44 funcCount: 164 constrviolation: 0步长:4.3124e-08算法:'内部点' firstorderopt: 5.1691e-07 cgiterations: 10消息:'局部最小值发现满足约束。(()优化完成，因为目标函数在()可行方向上不下降，直到最优性公差的值之内，()且约束条件满足到约束公差的值之内。(() <停止条件详细信息>())(()优化完成:相对一阶最优性度量，5.169074e-07，()小于选项。OptimalityTolerance = 1.000000e-06，相对最大约束(违例)为0.000000e+00，小于选项。约束容忍= 1.000000e-06。' best可行:[1×1 struct] objectivederivative: "有限差分" constraintderivative: "有限差分"求解器:'fmincon'

toc

运行时间为165.623157秒。

以秒为单位的求解时间几乎与函数求值的次数相同。这一结果表明，求解器重用了函数值，并且没有浪费时间重新计算同一点两次。

有关更广泛的示例，请参见目标和约束具有串行或并行的共同功能，基于问题的．有关使用的更多信息fcn2optimexpr,请参阅将非线性函数转化为优化表达式．