使用全局优化工具箱函数,首先编写一个文件(或匿名函数),用于计算要优化的函数。对于大多数解算器来说,这称为目标函数,对于其他解算器来说,这称为适应度函数ga
.函数应该接受一个向量,其长度为独立变量的数量,并返回一个标量。对于gamultiobj
,函数应返回目标函数值的行向量。对于矢量化解算器,函数应接受矩阵,其中每行表示一个输入向量,并返回目标函数值的向量。本节介绍如何编写该文件。
这个例子展示了如何为你想要优化的函数写一个文件。假设你想最小化这个函数
计算此函数的文件必须接受向量x
长度为2,对应于变量x1.和x2.,并返回一个标量,该标量等于x
.
选择新建>脚本(Ctrl + N)从MATLAB®文件菜单将在编辑器中打开一个新文件。
输入以下两行代码:
函数z=my_fun(x)z=x(1)^2-2*x(1)*x(2)+6*x(1)+4*x(2)^2-3*x(2);
将文件保存在MATLAB路径上的文件夹中。
检查文件是否返回正确的值。
我的乐趣([23])ans=31
对于gamultiobj
,假设你有三个目标。目标函数返回由三个目标函数值组成的三元素向量:
函数z=my_fun(x)z=0(1,3);%分配输出z(1)=x(1)^2-2*x(1)*x(2)+6*x(1)+4*x(2)^2-3*x(2);z(2)=x(1)*x(2)+cos(3*x(2)/(2+x(1));z(3)=tanh(x(1)+x(2));
这个ga
,gamultiobj
,帕累托研究
,粒子热
,patternsearch
求解器可选地在一次函数调用中计算向量集合的目标函数。该方法比连续计算向量的目标函数所需的时间要少。这个方法称为向量化函数调用。
要以矢量化方式计算,请执行以下操作:
例如,编写目标函数写一个函数文件以矢量化的方式,
函数z=my_-fun(x)z=x(:,1)。^2-2*x(:,1)。*x(:,2)+6*x(:,1)+。。。4*x(:,2)。^2-3*x(:,2);
使用我的乐趣
的向量化目标函数patternsearch
:
options=optimoptions('patternsearch','UseCompletePoll',true,'UseVectorized',true);[x fval]=patternsearch(@my_-fun[11],[],[],[],[],[],[],[],[],[],…[],选项);
使用我的乐趣
的向量化目标函数ga
:
选项=最佳选项('ga','UseVectoriced',true);[x fval]=ga(@my_-fun,2,[],[],[],[],[],[],[],[]选项);
对于gamultiobj
或帕累托研究
,
函数z = my_fun(x) z = 0 (size(x,1),3);%分配输出z(:,1) = x(:,1)。^2 - 2*x(:,1).*x(:,2) + 6*x(:,1) +…4 * x(:, 2)。^ 2 - 3 * x (:, 2);z (:, 2) = x(: 1)。* x (:, 2) + cos (3 * x(:, 2)。/ (2 + x (: 1)));Z (:,3) = tanh(x(:,1) + x(:,2));
使用我的乐趣
的向量化目标函数gamultiobj
:
选项=最佳选项('ga','UseVectoriced',true);[x fval]=gamultiobj(@my_-fun,2,[],[],[],[],[],[],[],[]选项);
有关为编写矢量化函数的详细信息patternsearch
看见将目标函数和约束函数矢量化. 对于more information on writing vectorized functions forga
看见向量化适应度函数.
如果你使用全球研究
或多部分
,您的目标函数可以返回导数(梯度、雅可比或海森)。有关如何在目标函数中包含此语法的详细信息,请参阅包括梯度和黑森人. 使用最佳选择
要设置选项以便解算器使用衍生信息,请执行以下操作:
本地解算器= fmincon, fminunc
条件 | 选项设置 |
---|---|
目标函数包含梯度 | SpecifyObjectiveGradient = true ;看到如何包含渐变 |
目标函数包含Hessian | “HessianFcn”=“客观的” 或者函数句柄;看到包括黑森人 |
约束函数包含梯度 | SpecifyConstraintGradient = true ;看到在约束函数中包含梯度 |
局部解算器=lsqcurvefit,lsqnonlin
条件 | 选项设置 |
---|---|
目标函数包含雅可比矩阵 | SpecifyObjectiveGradient = true |