fsolve

$c数组$ $ \开始{}{}& # xA; {e ^ {- {e ^ {——({x_1} + {x_2}}}}} = {x_2} \离开({1 + x_1 ^ 2} \) \ \ & # xA; {x_1} \因为\离开({{x_2}} \右)+ {x_2} \罪\离开({{x_1}} \右)= \压裂{1}{2}# xA;公司\{数组}$ $$

将方程转换为表单 $F (x) = \ bf {0}$ 。

$c数组$ $ \开始{}{}& # xA; {e ^ {- {e ^ {——({x_1} + {x_2}}}}} - {x_2} \离开({1 + x_1 ^ 2} \右)= 0 \ \ & # xA; {x_1} \因为\离开({{x_2}} \右)+ {x_2} \罪\离开({{x_1}} \右)& # xA; - \压裂{1}{2}= 0。\{数组}$ $$

写一个函数,这个函数计算这两个方程的左边。

函数F = root2d F (x) (1) = exp (exp (- x (x (1) + (2)))) - x (2) * (1 + x (1) ^ 2);F (2) = x (1) * cos (x (2)) + x (2) * sin (x (1)) - 0.5;

将该代码保存为一个文件命名root2d.m在你的MATLAB®路径。

解方程组的开始点(0,0)。

有趣= @root2d;x0 = (0,0);x0, x = fsolve(有趣)

方程解决。fsolve完成因为函数值接近于零的向量的值函数的宽容,问题出现普通的梯度。x = 0.3532 - 0.6061

解决方案与默认的选项

打开脚本

检查解决方案过程非线性系统。

选项设置为不显示和绘制函数显示一阶最优性,而应该作为算法迭代收敛于0。

选择= optimoptions (“fsolve”,“显示”,“没有”,“PlotFcn”,@optimplotfirstorderopt);

方程的非线性系统

将方程转换为表单 $F (x) = \ bf {0}$ 。

写一个函数,这个函数计算这两个方程的左边。

函数F = root2d F (x) (1) = exp (exp (- x (x (1) + (2)))) - x (2) * (1 + x (1) ^ 2);F (2) = x (1) * cos (x (2)) + x (2) * sin (x (1)) - 0.5;

将该代码保存为一个文件命名root2d.m在你的MATLAB®路径。

解决了非线性系统从这一点(0,0)并观察解决方案的过程。

有趣= @root2d;x0 = (0,0);x = fsolve(有趣,x0,选项)

x = 0.3532 - 0.6061

求解参数化方程

打开生活的脚本

可以参数化方程所描述的主题传递额外的参数。例如,paramfun辅助函数在这个例子创建以下参数化方程系统 $c$ :

$\begin{array}{c} 2 x_{1} + x_{2} = 经验值 (c x_{1}) \\ - - - - - - x_{1} + 2 x_{2} = 经验值 (c x_{2}) 。 \end{array}$

解决系统为特定值,在这种情况下 $c = - - - - - - 1$ ,设置 $c$ 在工作区中创建一个匿名函数x从paramfun。

c = 1;有趣= @ (x) paramfun (x, c);

解决系统从点0 x0 = [1]。

0 x0 = [1];x0, x = fsolve(有趣)

方程解决。fsolve完成因为函数值接近于零的向量的值函数的宽容,问题出现普通的梯度。

x =1×20.1976 - 0.4255

要求一个不同的值 $c$ ,输入 $c$ 在工作区中创建有趣的函数,所以它有新的 $c$ 价值。

c = 2;有趣= @ (x) paramfun (x, c);现在有新的c值%有趣x0, x = fsolve(有趣)

方程解决。fsolve完成因为函数值接近于零的向量的值函数的宽容,问题出现普通的梯度。

x =1×20.1788 - 0.3418

Helper函数

这段代码创建了paramfunhelper函数。

函数F = paramfun (x, c) F = [2 * x (1) + (2)——exp (c * x (1)) * x - x (1) + 2 (2) - exp (c * x (2)));结束

解决问题的结构

打开脚本

创建一个结构问题fsolve和解决问题。

在解决相同的问题解决方案与默认的选项使用问题结构,但制定问题。

问题没有设置选项显示和绘制函数显示一阶最优性,而应该作为算法迭代收敛于0。

问题。选项=optimoptions(“fsolve”,“显示”,“没有”,“PlotFcn”,@optimplotfirstorderopt);

方程的非线性系统

将方程转换为表单 $F (x) = \ bf {0}$ 。

写一个函数,这个函数计算这两个方程的左边。

函数F = root2d F (x) (1) = exp (exp (- x (x (1) + (2)))) - x (2) * (1 + x (1) ^ 2);F (2) = x (1) * cos (x (2)) + x (2) * sin (x (1)) - 0.5;

将该代码保存为一个文件命名root2d.m在你的MATLAB®路径。

创建其余的字段结构的问题。

问题。目标= @root2d;问题。x0=(0,0);问题。解算器=“fsolve”;

解决这个问题。

x = fsolve(问题)

x = 0.3532 - 0.6061

解决非线性系统的过程

打开生活的脚本

这个示例返回迭代显示解决方案的过程系统的两个方程两个未知数

$\begin{array}{c} 2 x_{1} - - - - - - x_{2} = e^{- - - - - - x_{1}} \\ - - - - - - x_{1} + 2 x_{2} = e^{- - - - - - x_{2}} 。 \end{array}$

重写方程形式 $F (x) = 0$ :

$\begin{array}{c} 2 x_{1} - - - - - - x_{2} - - - - - - e^{- - - - - - x_{1}} = 0 \\ - - - - - - x_{1} + 2 x_{2} - - - - - - e^{- - - - - - x_{2}} = 0 。 \end{array}$

开始你的搜索解决方案x0 = 5 [5]。

首先,写一个函数,这个函数计算F,的值方程x。

F = @ (x) [2 * x (1) - (2) - exp (- x (1));x - x (1) + 2 * (2) - exp (- x (2)));

创建初始点x0。

x0 = (5; 5);

返回迭代显示设置选项。

选择= optimoptions (“fsolve”,“显示”,“通路”);

解的方程。

[x, fval] = fsolve (F, x0,选项)

一阶规范信赖域迭代Func-count f (x)最优步半径0 3 47071.2 - 2.29 e + 04年1 1 6 12003.4 - 1 5.75 e + 03年1 2 9 3147.02 1.47 e + 03 1 3 12 239.527 854.452 1 388 1 4 15 1 107 1 5 18 67.0412 30.8 1 6 21 16.7042 9.05 1 7 24 2.42788 2.26 1 8 27 7.03149 0.032658 0.759511 0.206 2.5 9 30 e-06 10 33 e-13 3.29525 0.00169132 6.36 0.111927 0.00294 2.5 2.5 e-07方程解决。fsolve完成因为函数值接近于零的向量的值函数的宽容,问题出现普通的梯度。

x =2×10.5671 - 0.5671

fval =2×110⁶×-0.4059 - -0.4059

迭代显示显示f (x),的平方函数的规范F (x)。这个值降低至接近零的水平的迭代进行。一阶最优性措施同样降低至接近零的水平随着迭代的进行。这些条目显示迭代的收敛到一个解决方案。对于其他条目的含义,明白了迭代显示。

的fval给出了函数值输出F (x),这应该是零在一个解决方案中FunctionTolerance公差)。

研究矩阵方程的解决方案

打开生活的脚本

找到一个矩阵 $X$ 满足

$X * X * X = (\begin{array}{cccccccccccccccccccc} 1 & 2 \\ 3 & 4 \end{array}]$ ,

开始的时候x0 = (1, 1, 1, 1)。创建一个匿名函数,计算矩阵方程,创造点x0。

有趣= @ (x) x * * x - [1, 2, 3, 4);x0 = 1 (2);

选项设置为不显示。

选择= optimoptions (“fsolve”,“显示”,“关闭”);

检查fsolve质量和过程输出的解决方案。

[x, fval exitflag、输出]= fsolve(有趣,x0,选项)

x =2×2-0.1291 0.8602 1.2903 1.1612

fval =2×210⁸×-0.1895 0.0868 0.1302 -0.0595

exitflag = 1

输出=结构体字段:迭代:10 funcCount: 47个算法:“trust-region-dogleg”firstorderopt: 2.7719 e-09消息:“方程解决....”

出口标志值1表示解决方案是可靠的。来验证这个手动,计算剩余(fval平方和)几乎是零。

sum (sum (fval。* fval))

ans = 6.3961 e-18

这个小剩余确认x是一个解决方案。

你可以看到的输出结构进行了多少次迭代和功能评价fsolve找到了解决方案。

输入参数

全部折叠

`有趣的`- - - - - -非线性方程组来解决
函数处理|函数名

非线性方程组来解决,指定为一个函数处理或函数名。有趣的是一个函数,它接受一个向量x并返回一个向量F,非线性方程计算x。方程来解决F= 0的所有组件F。这个函数有趣的可以指定一个函数处理文件

x = fsolve (x0 @myfun)

在哪里myfunMATLAB是一种^®等功能

函数F = myfun F (x) =…在x %计算函数值

有趣的也可以是一个函数处理为一个匿名函数。

x = fsolve (@ (x) sin (x) * x), x0);

fsolve通过x你的目标函数的形状x0论点。例如,如果x0是5-by-3数组,那么fsolve通过x来有趣的作为一个5-by-3数组。

如果还可以计算雅可比矩阵和的“SpecifyObjectiveGradient”选择是真正的设定的,

选择= optimoptions (“fsolve”,“SpecifyObjectiveGradient”,真正的)

这个函数有趣的必须返回,在第二个输出参数,雅可比矩阵值J一个矩阵,x。

如果有趣的返回一个向量(矩阵)米组件和x长度n,在那里n的长度是x0,雅可比矩阵J是一个米——- - - - - -n矩阵J (i, J)的偏导数是吗F(我)关于x (j)。(雅可比矩阵J的梯度的转置F。)

例子:有趣= @ (x) x * * x - [1, 2, 3, 4)

数据类型:字符|function_handle|字符串

`x0`- - - - - -初始点
真正的向量|真正的数组

初始点,指定为一个真正的向量或真正的数组。fsolve使用元素的数量和大小x0确定变量的数量和大小有趣的接受。

例子:x0 = (1、2、3、4)

数据类型:双

`选项`- - - - - -优化选项
的输出`optimoptions`|结构`optimset`返回

优化选项,指定的输出optimoptions或结构等optimset的回报。

一些选项适用于所有算法,以及其他相关的特定算法。看到优化选择参考的详细信息。

有些选项是缺席的optimoptions显示。这些选项出现在以下表中斜体。有关详细信息,请参见视图选项。

所有的算法
`算法`	之间做出选择`“trust-region-dogleg”`(默认),`“信赖域”`,`“levenberg-marquardt”`。的`算法`选项指定偏爱使用何种算法。只是偏好因为信赖域算法,非线性方程组不能欠定的;也就是说,方程的数量(元素的数量`F`返回的`有趣的`)必须至少多达的长度`x`。同样,trust-region-dogleg算法,方程的数目必须相同的长度`x`。`fsolve`使用Levenberg-Marquardt算法时所选算法不可用。选择算法的更多信息,见选择算法。设置一些算法的选择使用`optimset`而不是`optimoptions`: `算法`——设置算法`“trust-region-reflective”`而不是`“信赖域”`。 InitDamping——设置初始Levenberg-Marquardt参数λ通过设置`算法`一个单元阵列等`{levenberg-marquardt, .005}`。
`CheckGradients`	比较用户提供衍生品(目标或约束的梯度)有限差分衍生品。的选择是`真正的`或默认`假`。为`optimset`,名字是`DerivativeCheck`和值`“上”`或`“关闭”`。看到当前和遗留选项名称。
诊断	显示诊断信息函数最小化或解决。的选择是`“上”`或默认`“关闭”`。
DiffMaxChange	最大的有限差分的变量变化梯度(积极的标量)。默认值是`正`。
DiffMinChange	最低有限差分的变量变化梯度(积极的标量)。默认值是`0`。
`显示`	显示(见水平迭代显示): `“关闭”`或`“没有”`显示没有输出。 `“通路”`在每个迭代中显示输出,给出了默认退出消息。 `“iter-detailed”`在每个迭代中显示输出,给出了技术退出消息。 `“最后一次”`(默认)显示最终的输出,并给出默认退出消息。 `最后详细的`显示最终的输出,给出了技术退出消息。
`FiniteDifferenceStepSize`	标量或矢量步长因子有限的差异。当您设置`FiniteDifferenceStepSize`一个向量`v`向前,有限的差异`δ`是 `δ= v 信号′(x) 马克斯(abs (x)、TypicalX);` 在哪里`信号′(x) =标志(x)`除了`信号′(0)= 1`。中央有限的差异是 `δ= v *马克斯(abs (x)、TypicalX);` 标量`FiniteDifferenceStepSize`扩大到一个向量。默认值是`sqrt (eps)`向前有限的差异,`eps ^ (1/3)`中央有限的差异。为`optimset`,名字是`FinDiffRelStep`。看到当前和遗留选项名称。
`FiniteDifferenceType`	有限的差异,用于估算梯度,要么`“前进”`(默认),或`“中央”`(中心)。`“中央”`需要两倍的功能评估,但应该更准确。算法时小心遵守限差分估计两种类型。例如,可能需要一个落后,而不是向前,避免在边界外的点评估。为`optimset`,名字是`FinDiffType`。看到当前和遗留选项名称。
`FunctionTolerance`	终止公差函数值,一个积极的标量。默认值是`1 e-6`。看到公差和停止条件。为`optimset`,名字是`TolFun`。看到当前和遗留选项名称。
FunValCheck	检查目标函数值是否有效。`“上”`会显示一个错误,当目标函数返回一个值`复杂的`,`正`,或`南`。默认的,`“关闭”`,显示没有错误。
`MaxFunctionEvaluations`	最大允许函数值的运算次数,一个正整数。默认值是`100 * numberOfVariables`为`“trust-region-dogleg”`和`“信赖域”`算法,以及`200 * numberOfVariables`为`“levenberg-marquardt”`算法。看到公差和停止条件和迭代和函数计算。为`optimset`,名字是`MaxFunEvals`。看到当前和遗留选项名称。
`MaxIterations`	最大允许的迭代次数,一个正整数。默认值是`400年`。看到公差和停止条件和迭代和函数计算。为`optimset`,名字是`麦克斯特`。看到当前和遗留选项名称。
`OptimalityTolerance`	终止宽容的一阶最优性(积极的标量)。默认值是`1 e-6`。看到一阶最优性测量。在内部,`“levenberg-marquardt”`算法使用了一个最优公差(停止准则)`1的军医`次`FunctionTolerance`和不使用`OptimalityTolerance`。
`OutputFcn`	指定一个或多个用户定义的函数,每个迭代的优化函数调用。通过一个函数处理或处理单元阵列的功能。默认是没有(`[]`)。看到输出函数和情节函数的语法。
`PlotFcn`	情节在算法执行时进步的各种措施;从预定义的情节或编写自己的选择。通过一个内置的函数名,函数处理,或单元阵列的内置函数名或函数处理。自定义绘制函数,通过函数处理。默认是没有(`[]`): `“optimplotx”`当前点的阴谋。 `“optimplotfunccount”`情节数的函数。 `“optimplotfval”`情节的函数值。 `“optimplotstepsize”`情节的步长。 `“optimplotfirstorderopt”`情节一阶最优性措施。自定义函数使用相同的语法作为输出函数。看到输出函数优化工具箱和输出函数和情节函数的语法。为`optimset`,名字是`PlotFcns`。看到当前和遗留选项名称。
`SpecifyObjectiveGradient`	如果`真正的`,`fsolve`使用一个用户定义的雅可比矩阵(中定义`有趣的`雅可比矩阵),或者信息(当使用`JacobianMultiplyFcn`),为目标函数。如果`假`(默认),`fsolve`使用有限的差异接近雅可比矩阵。为`optimset`,名字是`雅可比矩阵`和值`“上”`或`“关闭”`。看到当前和遗留选项名称。
`StepTolerance`	终止上公差`x`,一个积极的标量。默认值是`1 e-6`。看到公差和停止条件。为`optimset`,名字是`TolX`。看到当前和遗留选项名称。
`TypicalX`	典型的`x`值。元素的数量`TypicalX`等于元素的数量`x0`的起点。默认值是`的(numberofvariables, 1)`。`fsolve`使用`TypicalX`为扩展有限差分梯度估计。的`trust-region-dogleg`算法使用`TypicalX`作为一个扩展矩阵的对角线上。
`UseParallel`	当`真正的`,`fsolve`估计并行梯度。禁用默认设置,`假`。看到并行计算。
信赖域算法
`JacobianMultiplyFcn`	雅可比矩阵乘法函数,指定为一个函数处理。大规模的结构性问题,这个函数计算雅可比矩阵产品`J * Y`,`J ' * Y`,或`J”* (J * Y)`没有真正形成`J`。的函数形式 W = jmfun(动力系统,Y,标志) 在哪里`动力系统`包含一个矩阵用于计算`J * Y`(或`J ' * Y`,或`J”* (J * Y)`)。第一个参数`动力系统`必须作为第二个参数相同的目标函数返回的`有趣的`例如, (F,动力系统)(x) =乐趣 `Y`是一个矩阵的行数一样有尺寸问题。`国旗`确定哪些产品来计算: 如果`标志= = 0`,`W = J ' * (J * Y)`。如果`国旗> 0`,`W = J * Y`。如果`国旗< 0`,`W = J ' * Y`。在每种情况下,`J`不是显式地形成的。`fsolve`使用`动力系统`计算预调节器。看到传递额外的参数信息如何提供任何额外的参数的值`jmfun`的需求。请注意 `“SpecifyObjectiveGradient”`必须设置为`真正的`为`fsolve`通过`动力系统`从`有趣的`来`jmfun`。看到最小化茂密的结构化的麻绳,线性等式类似的例子。为`optimset`,名字是`JacobMult`。看到当前和遗留选项名称。
JacobPattern	雅可比矩阵的稀疏模式有限差分。集`JacobPattern (i, j) = 1`当`有趣的(我)`取决于`x (j)`。否则,设置`JacobPattern (i, j) = 0`。换句话说,`JacobPattern (i, j) = 1`当你可以∂`有趣的(我)`/∂`x (j)`≠0。使用`JacobPattern`时不方便计算雅可比矩阵`J`在`有趣的`,但你可以决定(验货)`有趣的(我)`取决于`x (j)`。`fsolve`可以近似`J`当你给通过稀疏有限的差异`JacobPattern`。在最坏的情况下,如果结构未知的,不确定`JacobPattern`。就好像默认行为`JacobPattern`是一个稠密矩阵的。然后`fsolve`在每个迭代计算完整的有限差分近似。这可能是非常昂贵的大问题,所以它通常是更好的稀疏结构来确定。
MaxPCGIter	最大数量的首选条件共轭梯度迭代,一个积极的标量。默认值是`马克斯(1楼(numberOfVariables / 2))`。有关更多信息,请参见方程求解算法。
PrecondBandWidth	上的带宽预调节器PCG,一个非负整数。默认的`PrecondBandWidth`是`正`,这意味着直接分解(柯列斯基)而非共轭梯度(CG)。直接分解比CG计算更贵,但质量更好一步生成解决方案。集`PrecondBandWidth`来`0`对角预处理(0)上带宽。对于一些问题,一个中间带宽减少了PCG迭代的数量。
`SubproblemAlgorithm`	确定迭代步骤是如何计算的。默认的,`“分解”`,需要较慢但更精确的步骤`“重心”`。看到信赖域算法。
TolPCG	在PCG迭代终止宽容,积极的标量。默认值是`0.1`。
Levenberg-Marquardt算法
InitDamping	Levenberg-Marquardt参数的初始值,一个积极的标量。默认是`1)依照`。有关详细信息,请参见Levenberg-Marquardt方法。
ScaleProblem	`的雅可比矩阵`有时可以改善收敛了不佳的问题。默认值是`“没有”`。

例子:选择= optimoptions (“fsolve”、“FiniteDifferenceType”,“中央”)

`问题`- - - - - -问题的结构
结构

问题的结构,指定为一个结构有以下字段:

字段名	条目
`客观的`	目标函数
`x0`	初始点`x`
`解算器`	`“fsolve”`
`选项`	选择创建`optimoptions`

数据类型:结构体

输出参数

全部折叠

`x`——解决方案
真正的向量|数组

解决方案,作为真正的向量或返回数组。的大小x是一样的尺寸吗x0。通常情况下,x是当地的解决问题的办法exitflag是正的。信息的质量解决方案,明白了当解决成功。

`fval`——目标函数值的解决方案
真正的向量

目标函数值的解决方案,作为一个真正的返回向量。一般来说,fval=有趣的(x)。

`exitflag`- - -原因`fsolve`停止
整数

原因fsolve停止,返回一个整数。

`1`	方程解决。一阶最优性很小。
`2`	方程解决。的变化`x`小于指定的公差,或雅可比矩阵`x`是未定义的。
`3`	方程解决。剩余的变化小于指定的公差。
`4`	方程解决。大小的搜索方向小于指定的公差。
`0`	迭代次数超过`options.MaxIterations`超过或数量的功能评估`options.MaxFunctionEvaluations`。
`1`	输出函数或函数停止算法的阴谋。
`2`	方程没有解决。退出消息可以有更多的信息。
`3`	方程没有解决。信赖域半径太小(`trust-region-dogleg`算法)。

`输出`——优化过程的信息
结构

优化过程的信息,作为结构返回字段:

`迭代`	采取的迭代次数
`funcCount`	数量的功能评估
`算法`	优化算法
`cgiterations`	PCG迭代(总数`“信赖域”`算法只)
`stepsize`	最终位移`x`(不是`“trust-region-dogleg”`)
`firstorderopt`	的一阶最优性
`消息`	退出消息

`雅可比矩阵`解决方案-雅可比矩阵
真正的矩阵

雅可比矩阵的解决方案,作为一个真正的返回矩阵。雅可比矩阵(i, j)的偏导数是吗有趣的(我)关于x (j)在解决方案x。

限制

要解决必须连续的函数。
一旦成功,fsolve只给了一个根。
默认的信赖域狗腿的方法只能用于当方程组广场,即。方程的数量等于未知数的数目。Levenberg-Marquardt法、方程组不需要广场。

提示

对于大型问题,这意味着那些成千上万的变量或更多,节省内存(并可能节省时间)通过设置算法选项“信赖域”和SubproblemAlgorithm选项“重心”。

算法

Levenberg-Marquardt和信赖域方法是基于非线性最小二乘算法用于lsqnonlin。如果系统使用其中一种方法可能没有一个零。该算法仍然返回剩余很小。然而,如果系统的雅可比矩阵奇异,算法可能会收敛到一个点,并不是一个解决方程组(见限制)。

默认情况下fsolve选择信赖域算法狗腿。该算法的一种变体鲍威尔狗腿中描述的方法[8]。它在本质上是类似的算法实现[7]。看到Trust-Region-Dogleg算法。
信赖域算法是一个子空间信赖域方法和基于interior-reflective牛顿方法中描述[1]和[2]。每个迭代都包括近似解大型线性系统使用条件共轭梯度法(PCG)。看到信赖域算法。
Levenberg-Marquardt方法中描述的引用[4],[5],[6]。看到Levenberg-Marquardt方法。

选择功能

应用程序

的优化住编辑任务提供了一个可视化界面fsolve。

引用

李[1]科尔曼,T.F.和y”内部,信赖域方法对非线性最小化界限,”暹罗杂志上优化》第六卷,第445 - 418页,1996年。

[2]科尔曼,T.F.和y,“在大规模非线性最小化的反光牛顿方法的收敛范围,“数学规划2号,卷。67年,第224 - 189页,1994年。

[3]丹尼斯,j·e·Jr .)“非线性最小二乘,”先进的数值分析艾德。d . Jacobs学术出版社,页269 - 312。

[4]Levenberg, K。,“A Method for the Solution of Certain Problems in Least-Squares,”2季度应用数学,第168 - 164页,1944年。

[5]马夸特,D。,“An Algorithm for Least-squares Estimation of Nonlinear Parameters,”暹罗《应用数学11卷,第441 - 431页,1963年。

[6],J·J。,“The Levenberg-Marquardt Algorithm: Implementation and Theory,”数值分析,艾德。g·a·沃森在630年数学课堂讲稿,施普林格-,105 - 116年,1977页。

[7],J·J。,B. S. Garbow, and K. E. Hillstrom,用户指南MINPACK 1阿贡国家实验室报告。退火- 80 - 74,1980。

[8]鲍威尔,m . j . D。,“A Fortran Subroutine for Solving Systems of Nonlinear Algebraic Equations,”非线性代数方程的数值方法,艾德。p . Rabinowitz Ch.7, 1970年。

扩展功能

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

fsolve金宝app支持使用生成代码codegen(MATLAB编码器)函数或MATLAB编码器™应用程序,你必须有一个MATLAB编码器许可来生成代码。
目标硬件必须支持标准的双精度浮点计算。金宝app你不能为单精度或定点计算生成代码。
代码生成目标不使用MATLAB解决数学内核库一样。因此,代码生成解决方案可以解决不同的解决方案,特别是对金宝搏官方网站条件不佳的问题。
所有代码必须MATLAB生成的代码。特别是,您不能使用一个定制的黑盒函数作为目标函数fsolve。您可以使用coder.ceval评估一个自定义函数在C或c++代码。然而,自定义函数必须在调用MATLAB函数。
fsolve不支持金宝app问题理由代码生成。
```
[x, fval] = fsolve(问题)%不支持金宝app
```

您必须指定目标函数,利用函数处理,而不是字符串或字符的名字。

x = fsolve (x0, @fun选项)%的金宝app支持%不支持:f金宝appsolve(‘有趣的’,…)或fsolve(“有趣”,…)

对于高级代码优化包括嵌入式处理器,您还需要嵌入式编码器^®许可证。
你必须包括选项fsolve并指定使用optimoptions。必须包括的选项算法选项,设置为“levenberg-marquardt”。
```
选择= optimoptions (“fsolve”,“算法”,“levenberg-marquardt”);[x, fval exitflag] = fsolve(有趣,x0,选项);
```
代码生成支持这些选项:金宝app
- 算法——必须“levenberg-marquardt”
- FiniteDifferenceStepSize
- FiniteDifferenceType
- FunctionTolerance
- MaxFunctionEvaluations
- MaxIterations
- SpecifyObjectiveGradient
- StepTolerance
- TypicalX

生成的代码错误检查选项有限。推荐的方式来更新一个选项是使用optimoptions,而不是点符号。

选择= optimoptions (“fsolve”,“算法”,“levenberg-marquardt”);选择= optimoptions(选择,“MaxIterations”1 e4);%推荐选择。MaxIterations = 1 e4;%不推荐

不从文件加载选项。这样做会导致代码生成失败。相反,在代码中创建选项。
通常,如果您指定一个选项不支持,在代码生成选项是默默地忽略。金宝app然而,如果你指定一个情节或输出函数通过使用点符号,代码生成可以发出一个错误。对于可靠性、指定仅支持选项。金宝app
因为输出函数和情节功能不支持,解决不返回退出标志1。金宝app

例如,看到的为fsolve生成代码。

自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。

并行运行,设置“UseParallel”选项真正的。

选择= optimoptions ('solvername”、“UseParallel’,真的)

有关更多信息,请参见使用并行计算优化工具箱。

版本历史

之前介绍过的R2006a

另请参阅

fzero|lsqcurvefit|lsqnonlin|optimoptions|优化

fsolve

语法

描述

例子

二维非线性系统的解决方案

解决方案与默认的选项

求解参数化方程

解决问题的结构

解决非线性系统的过程

研究矩阵方程的解决方案

输入参数

有趣的- - - - - -非线性方程组来解决函数处理|函数名

x0- - - - - -初始点真正的向量|真正的数组

选项- - - - - -优化选项的输出optimoptions|结构optimset返回

问题- - - - - -问题的结构结构

输出参数

x——解决方案真正的向量|数组

fval——目标函数值的解决方案真正的向量

exitflag- - -原因fsolve停止整数

输出——优化过程的信息结构

雅可比矩阵解决方案-雅可比矩阵真正的矩阵

限制

提示

算法

选择功能

应用程序

引用

扩展功能

C / c++代码生成生成C和c++代码使用MATLAB®编码器™。

自动并行支持金宝app加速代码通过自动运行并行计算使用并行计算工具箱™。

版本历史

另请参阅

主题

`有趣的`- - - - - -非线性方程组来解决
函数处理|函数名

`x0`- - - - - -初始点
真正的向量|真正的数组

`选项`- - - - - -优化选项
的输出`optimoptions`|结构`optimset`返回

`问题`- - - - - -问题的结构
结构

`x`——解决方案
真正的向量|数组

`fval`——目标函数值的解决方案
真正的向量

`exitflag`- - -原因`fsolve`停止
整数

`输出`——优化过程的信息
结构

`雅可比矩阵`解决方案-雅可比矩阵
真正的矩阵

C / c++代码生成
生成C和c++代码使用MATLAB®编码器™。

自动并行支持金宝app
加速代码通过自动运行并行计算使用并行计算工具箱™。