搜索和民意调查

使用搜索方法

除了轮询网点之外，模式搜索算法还可以在每个迭代中执行可选步骤搜索。在每次迭代时，搜索步骤将另一个优化方法应用于当前点。如果此搜索没有提高当前点，则执行轮询步骤。

以下示例说明了在中描述的问题上使用搜索方法线性约束的问题。要设置示例，请在MATLAB中输入以下命令^®提示定义初始点和约束。

x0 = [2 1 0 9 1 0];Aineq = [-8 7 3 -4 9 0];Bineq = 7;AEQ = [7 1 8 3 3 3;5 0 -5 1 -5 8;-2 -6 7 1 1 9;1 -1 2 -2 3 -3];beq = [84 62 65 1];

然后在优化应用程序中输入以下数字中显示的设置。

进行比较，请单击开始在没有搜索方法的情况下运行该示例。这显示了下图所示的图。

要查看使用搜索方法的效果，请选择疯狂积极的基础2n在里面搜索方法领域搜索选项。

这将搜索方法设置为使用模式的模式搜索疯狂积极的基础2n。然后点击开始运行模式搜索。这显示了以下情节。

请注意，使用搜索方法将总函数评估从1462降低至1256-，并减少106到97的迭代次数。

使用命令行函数运行此问题：

x0 = [2 1 0 9 1 0];Aineq = [-8 7 3 -4 9 0];Bineq = 7;AEQ = [7 1 8 3 3 3;5 0 -5 1 -5 8;-2 -6 7 1 1 9;1 -1 2 -2 3 -3];beq = [84 62 65 1];选项= Optimoptions（'patternsearch'那......'plotfcn'，{@ psplotbestf，@ psplotfuncound}）;[x，fval] = patternsearch（@ lincontest7，x0，......AINEQ，BINEQ，AEQ，BEQ，[]，[]，[]，选项）;

要使用Mads搜索方法，请更改searchfcn.选项。

选项.searchfcn = @ madspositivebasis2n;[x，fval] = patternsearch（@ lincontest7，x0，......AINEQ，BINEQ，AEQ，BEQ，[]，[]，[]，选项）;

使用不同的求解器搜索

PatternSearch.需要很长时间才能最小化Rosenbrock的功能。这个功能是 $F （ X ） = 100. {（ X_{2} - X_{1}^{2} ）}^{2} + {（ 1 - X_{1} ）}^{2} 。$

rosenbrock的功能描述并绘制解决约束的非线性问题，基于求解器（优化工具箱）。

创建目标函数。

dejong2fcn = @（x）100 *（x（2）-x（1）^ 2）^ 2 +（1-x（1））^ 2;

放PatternSearch.选择MaxFunctionEvaluations.=5000和最大=2000年：

opts = Optimoptions（'patternsearch'，'maxfunctionevaluations'，5000，'maxtations'，2000）;

跑步PatternSearch.从...开始[-1.9 2]：

[x，feval，eflag，输出] = patternsearch（dejong2fcn，... [-1.9,2]，[]，[]，[]，[]，[]，[]，[]，选择）;

超出了最大函数评估数：增加options.maxfunctionevaluations。

Feval.

Feval = 0.8560.

优化没有完成，结果不是非常接近0的最佳值0。

设置要使用的选项fminsearch.作为搜索方法：

opts = Optimoptions（'patternsearch'，选择，'searchfcn'，@ searchbeldermead）;

重新运行优化，结果要好得多：

[x2，feval2，eflag2，输出2] = patternsearch（dejong2fcn，... [-1.9,2]，[]，[]，[]，[]，[]，[]，[]，选择）;

优化终止：网格尺寸小于options.meshtolerance。

Feval2.

Feval2 = 4.0686E-010

fminsearch.与坐标指示不如默认GPS一样紧密相关PatternSearch.民意调查方法。所以，fminsearch.更高效地接近rosenbrock的功能。在这种情况下添加搜索方法是有效的。