解决多层目标达到问题
Fgoalattain
解决目标达到问题,是最小化多目标优化问题的制定。
Fgoalattain
查找指定问题的最小值
重量
那目标
那B.,说真的是载体,一种和AEQ.矩阵,F(X),C(X), 和CEQ.(X),是返回向量的功能。F(X),C(X), 和CEQ.(X)可以是非线性函数。
X那磅,乌兰巴托可以作为向量或矩阵传递;看到矩阵的参数.
[
另外在解决方案处返回达到因子X
那fval
那atainfactor.
那ExitFlag.
那输出
) = fgoalattain (___)X
, 一个值ExitFlag.
的退出条件Fgoalattain
,结构输出
有关于优化过程的信息。
考虑两个目标函数
这个函数显然是最小化的 在 ,得到值2,并使之最小化 在 ,得到值5。
设定目标[3,6]和权重[1,1],并解决目标达到问题x0
= 1。
有趣= @ (x) [2 + (- 3) ^ 2; 5 + x ^ 2/4);目标=(3、6);重量= [1];x0 = 1;X = FGOALATTAIN(乐趣,X0,目标,重量)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x = 2.0000
找出…的价值 在解决方案中。
有趣的(x)
ans =.2×13.0000 - 6.0000
Fgoalattain
准确完成目标。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],重量是[1,1],线性约束是
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
创建线性约束矩阵一种
和B.
代表a * x <= b
.
a = [1,1];B = 4;
设定初始点[1,1],解决目标实现问题。
x0 = [1];x = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0694 - 1.9306
找出…的价值 在解决方案中。
有趣的(x)
ans =.2×13.1484 6.1484
Fgoalattain
不符合目标。因为权重相等,所以求解器以相同的数量为每个目标进行了处理。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],重量是[1,1],并且界限是
那
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
创建界限。
lb = [0,2];UB = [3,5];
将起始点设为[1,4],解决目标实现问题。
x0 = [1,4];a = [];无线性约束b = [];Aeq = [];说真的= [];x = fgoalattain(有趣,x0,目标,体重,A, b, Aeq,说真的,磅,乌兰巴托)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.6667 2.3333
找出…的价值 在解决方案中。
有趣的(x)
ans =.2×12.8889 5.8889
Fgoalattain
超过了目标。因为权重是相等的,所以解算器会以相同的数量超额完成每个目标。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标为[3,6],权值为[1,1],非线性约束为
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
非线性约束函数在诺尔4.M.
文件。
类型norm4
函数[c,ceq] = norm4(x) ceq = [];C = norm(x)^2 - 4;
为线性约束和界限创建空输入参数。
一个= [];Aeq = [];b = [];说真的= [];磅= [];乌兰巴托= [];
设初始点为[1,1],解决目标实现问题。
x0 = [1];x = fgoalattain(有趣,x0,目标,体重,A, b, Aeq,说真的,磅,乌兰巴托,@norm4)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×21.1094 - 1.6641
找出…的价值 在解决方案中。
有趣的(x)
ans =.2×14.5778 - 7.1991
Fgoalattain
不符合目标。尽管重量平等,
它的目标是3,距离3,和
与目标6相差1.2。非线性约束阻碍了求解X
从实现目标平均。
通过设置选项返回迭代显示来监控目标实现解决方案过程。
选项= Optimoptions('fgoalattain'那'展示'那'iter');
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],重量是[1,1],线性约束是
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
创建线性约束矩阵一种
和B.
代表a * x <= b
.
a = [1,1];B = 4;
为线性平等约束,界限和非线性约束创建空输入参数。
Aeq = [];说真的= [];磅= [];乌兰巴托= [];nonlcon = [];
设定初始点[1,1],解决目标实现问题。
x0 = [1];X = FGOAlaTain(乐趣,X0,目标,重量,A,B,AEQ,BEQ,LB,UB,NONLCON,选项)
达到最大线搜索定向Iter F-count因素约束steplength导数过程0 4 0 4 1 9 1 0.883 0.2813 -5.194 2.5 -0.535 1 2 14 e-09 1 3 19 24 0.1484 - 2.868 0.1452 0.883 0.005926 - 1 4 e-06 1 0.883 5 29日0.1484 - 6.839 e-13 1 0.883黑森当地最低可能的修改。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0694 - 1.9306
所报告的达到因子的正值表明Fgoalattain
找不到满足目标的解决方案。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],重量是[1,1],线性约束是
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
创建线性约束矩阵一种
和B.
代表a * x <= b
.
a = [1,1];B = 4;
设定初始点[1,1],解决目标实现问题。请求目标函数的值。
x0 = [1];[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0694 - 1.9306
fval =2×13.1484 6.1484
目标函数值高于目标的意义Fgoalattain
不能满足目标。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],重量是[1,1],线性约束是
.
创建目标函数,目标和体重。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
创建线性约束矩阵一种
和B.
代表a * x <= b
.
a = [1,1];B = 4;
设定初始点[1,1],解决目标实现问题。请求目标函数,达到因子,退出标志,输出结构和拉格朗日乘数的值。
x0 = [1];[x, fval attainfactor, exitflag,输出,λ)= fgoalattain(有趣,x0,目标,重量,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0694 - 1.9306
fval =2×13.1484 6.1484
attainfactor = 0.1484
exitflag = 4
输出=结构与字段:迭代:6 Funccount:29 Lssteplenth:1步骤化:4.1454E-13算法:'Active-Set'的Firstordoptopt:[] ConstRViolation:6.7482E-13消息:'...'
lambda =结构与字段:下:[2x1 double]上:[2x1 double] eqlin: [0x1 double] eqnonlin: [0x1 double] ineqlin: 0.5394 ineqnonlin: [0x1 double]
的正值atainfactor.
表示目标未达到;你也可以通过比较看到这一点fval
和目标
.
这lambda.ineqlin
值是非零,表明线性不等式限制了解决方案。
目标函数为
在这里,p_1
= [2,3]和p_2
=(4 1)。目标是[3,6],初始重量是[1,1]。
创建目标函数,目标和初始重量。
p_1 = [2,3];p_2 = [4,1];fun = @(x)[2 + norm(x-p_1)^ 2; 5 + norm(x-p_2)^ 2/4];目标=(3、6);重量= [1,1];
设置线性约束 .
a = [1 1];B = 4;
从这一点着手解决目标实现问题X0 = [1 1]
.
x0 = [1 1];[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0694 - 1.9306
fval =2×13.1484 6.1484
每个组件的fval
上面是对应的成分吗目标
,表明未实现目标。
通过设置增加满足第一个目标的重要性重量(1)
较小的价值。
重量(1)= 1/10;[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0115 1.9885
fval =2×13.0233 - 6.2328
现在的价值fval(1)
更接近于目标(1)
,而fval(2)
更远目标(2)
.
改变目标(2)
到7,在当前的解决方案之上。解决方案的变化。
目标(2)= 7;[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×21.9639 - 2.0361
fval =2×12.9305 - 6.3047
这两个组件的fval
是否小于对应的分量目标
.但fval(1)
更接近于目标(1)
比fval(2)
是目标(2)
.当目标无法实现时,较小的权重更有可能使其组成部分近乎满足,但当目标可以实现时,过度成就的程度就会降低。
将权重改为相等。这fval
结果与目标相同。
重量(2)= 1/10;[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×21.7613 2.2387
fval =2×12.6365 - 6.6365
约束可以保持结果fval
从同样接近目标。例如,设置2的上限x(2)
.
乌兰巴托=[正无穷,2];磅= [];Aeq = [];说真的= [];[x, fval] = fgoalattain(有趣,x0,目标,体重,A, b, Aeq,说真的,磅,乌兰巴托)
地方最低可能。约束满足。Fgoalattain停止是因为当前搜索方向的大小小于步长公差值的两倍,并且约束条件满足到约束公差值之内。
x =1×22.0000 2.0000
fval =2×13.0000 6.2500.
在这种情况下,fval(1)
完全符合它的目标,但是fval(2)
不到它的目标。
有趣的
-目标函数目标函数,指定为函数句柄或函数名称。有趣的
是一个接受向量的函数X
返回一个向量F
,目标函数的取值为X
.您可以指定函数有趣的
函数文件的句柄:
x = fgoalattain (@myfun x0,目标,重量)
在哪里myfun
是一个matlab.®功能如
函数F = myfun(x)…%计算函数在x处的值。
有趣的
也可以是匿名功能的函数句柄:
x = fgoalattain (@ (x) sin (x) * x), x0,目标,重量);
的用户定义值X
和F
是阵列,Fgoalattain
使用线性索引将它们转换为向量(参见数组索引).
为了使目标函数尽可能接近一个目标值(即既不大于也不小于),请使用优化选择
设置EqualityGoalCount
选项需要在目标值附近所需的目标次数。这样的目标必须被分割成向量的第一个元素F
返回有趣的
.
假设目标函数的梯度也可以计算出来和这specifyobjectivegradient.
选项是真正的
,按下列规定:
选择= optimoptions(‘fgoalattain’,‘SpecifyObjectiveGradient’,真的)
在这种情况下,功能有趣的
必须返回,在第二个输出参数中,梯度值G
(矩阵)在X
.渐变由部分衍生物组成df / dx.每一个F
当时X
.如果F
是长度的矢量m
和X
有长度N
, 在哪里N
是的长度x0
,然后是梯度G
的F (x)
是一个N
-经过-m
矩阵G (i, j)
是部分衍生的F (j)
关于x(i)
(那就是j
th列G
是渐变的j
目标职能F (j)
).
笔记
环境specifyobjectivegradient.
来真正的
是只有当问题没有非线性约束时才有效,还是问题有非线性约束时有效specifyConstraintGRadient.
设置为真正的
.在内部,目标被折叠到约束中,因此求解器需要提供梯度(客观和约束)以避免估计梯度。
数据类型:char
|细绳
|function_handle.
x0
-初始点目标
-达到的目标目标要达到,指定为真正的矢量。Fgoalattain
试图找到最小的乘数γ.这使得这些不平等适用于所有的值一世在解决方案X:
假如说重量
为正向量:
如果求解器找到一个点X
同时实现所有目标,然后实现了达到因子γ.是否定的,目标是大次要的。
如果解算器找不到一个点X
同时实现所有目标,然后实现了达到因子γ.是积极的,目标是不明的。
例子:[1 3 6]
数据类型:双倍的
重量
-相对达到因子相对达到因子,指定为真正的矢量。Fgoalattain
试图找到最小的乘数γ.这使得这些不平等适用于所有的值一世在解决方案X:
当值目标
是所有非零,以确保未完成或超额完成积极目标的百分比相同,设定重量
来ABS(目标)
.(活动目标是阻碍进一步改进解决方案目标的一组目标。)
笔记
的组件重量
向量归零导致相应的目标约束被视为硬约束而不是目标约束。设置硬约束的另一种方法是使用输入参数nonlcon.
.
什么时候重量
是积极的,Fgoalattain
试图使目标函数小于目标值。使目标函数大于目标值,设置重量
是消极的而不是积极的。在解决方案上看到权重的一些效果,见权重,目标和限制在目标达到的影响.
使目标函数尽可能接近目标值,使用EqualityGoalCount
选项,并将目标指定为返回的向量的第一个元素有趣的
(看有趣的
和选项
).例如,看到多目标目标实现优化.
例子:ABS(目标)
数据类型:双倍的
一种
-线性不等式约束线性不等式约束,指定为实矩阵。一种
是一个m
-经过-N
矩阵,其中m
是不平等的数量,而且N
是变量数量(元素数x0
).对于大问题,通过一种
作为稀疏矩阵。
一种
编码m
线性不等式
a * x <= b
那
在哪里X
列向量是N
变量x (:)
,B.
是一个列向量m
元素。
例如,指定
X1+ 2X2≤10
3.X1+ 4X2≤20
5.X1+ 6X2≤30日
输入这些约束:
= [1, 2, 3, 4, 5, 6);b =(10、20、30);
例子:要指定x分量的和为1或更小,请使用一个= 1 (1,N)
和B = 1
.
数据类型:双倍的
B.
-线性不等式约束线性不平等约束,指定为真正的矢量。B.
是一个m
元素向量相关的一种
矩阵。如果你通过了B.
作为行向量,求解器内部转换B.
到列向量b (:)
.对于大问题,通过B.
作为一个稀疏向量。
B.
编码m
线性不等式
a * x <= b
那
在哪里X
列向量是N
变量x (:)
,一种
矩阵的大小是多少m
-经过-N
.
例如,考虑一下这些不平等:
X1+ 2X2≤10
3.X1+ 4X2≤20
5.X1+ 6X2≤30。
输入以下约束指定不等式。
= [1, 2, 3, 4, 5, 6);b =(10、20、30);
例子:要指定x分量的和为1或更小,请使用一个= 1 (1,N)
和B = 1
.
数据类型:双倍的
AEQ.
-线性等式约束线性平等约束,指定为真实矩阵。AEQ.
是一个我
-经过-N
矩阵,其中我
是平等的数量,和N
是变量数量(元素数x0
).对于大问题,通过AEQ.
作为稀疏矩阵。
AEQ.
编码我
线性平等
Aeq * x =说真的
那
在哪里X
列向量是N
变量x (:)
,说真的
是一个列向量我
元素。
例如,指定
X1+ 2X2+ 3X3.= 10.
2X1+ 4X2+X3.= 20,
输入这些约束:
AEQ = [1,2,3; 2,4,1];Beq = [10; 20];
例子:要指定x分量的和为1,使用AEQ = ONE(1,N)
和Beq = 1
.
数据类型:双倍的
说真的
-线性等式约束线性等式约束,指定为实向量。说真的
是一个我
元素向量相关的AEQ.
矩阵。如果你通过了说真的
作为行向量,求解器内部转换说真的
到列向量Beq(:)
.对于大问题,通过说真的
作为一个稀疏向量。
说真的
编码我
线性平等
Aeq * x =说真的
那
在哪里X
列向量是N
变量x (:)
,AEQ.
矩阵的大小是多少我
-经过-N
.
例如,考虑以下平等:
X1+ 2X2+ 3X3.= 10.
2X1+ 4X2+X3.= 20。
通过输入以下约束来指定等式。
AEQ = [1,2,3; 2,4,1];Beq = [10; 20];
例子:要指定x分量的和为1,使用AEQ = ONE(1,N)
和Beq = 1
.
数据类型:双倍的
磅
-下界下界,指定为实向量或实数组。如果元素的数量x0
等于元素的数量磅
,然后磅
指定
x(i)> = lb(i)
对全部一世
.
如果numel(lb)
磅
指定
x(i)> = lb(i)
为1 <= I <= numel(lb)
.
如果有更少的元素磅
而不是x0
,解算器发出警告。
例子:要指定所有x分量都是正数,请使用lb = zeros(size(x0))
.
数据类型:双倍的
乌兰巴托
-上界上限,指定为真实的矢量或真实数组。如果元素的数量x0
等于元素的数量乌兰巴托
,然后乌兰巴托
指定
x (i) < =乌兰巴托(我)
对全部一世
.
如果numel(Ub)
乌兰巴托
指定
x (i) < =乌兰巴托(我)
为1 <= i <= numel(UB)
.
如果有更少的元素乌兰巴托
而不是x0
,解算器发出警告。
例子:要指定所有x分量都小于1,使用UB =α(大小(x0))
.
数据类型:双倍的
nonlcon.
-非线性约束非线性约束,指定为函数句柄或函数名。nonlcon.
是一个接受向量或数组的函数X
并返回两个数组,c (x)
和CEQ(x)
.
c (x)
是非线性不等式约束的数组X
.Fgoalattain
试图满足
C(x)<= 0
的所有条目C
.
CEQ(x)
是非线性平等约束的数组X
.Fgoalattain
试图满足
CEQ(x)= 0
的所有条目CEQ.
.
例如,
x = fgoalattain (@mycon @myfun, x0,…)
在哪里mycon
是一个MATLAB函数,如:
功能[c,ceq] = mycon(x)c = ...%计算x的非线性不等式。CEQ = ...%计算X的非线性等于。
假设约束的梯度也可以计算出来和这specifyConstraintGRadient.
选项是真正的
,按下列规定:
选项= Optimoptions('fgoalattain','specifyconstraintgradient',true)
在这种情况下,功能nonlcon.
还必须返回,在第三和第四个输出参数中,GC
,梯度c (x)
,GCeq
,梯度CEQ(x)
.看非线性约束有关如何将梯度“条件化”,以便在不接受已提供梯度的求解器中使用。
如果nonlcon.
返回一个向量C
的m
组件和X
有长度N
, 在哪里N
是的长度x0
,然后是梯度GC
的c (x)
是一个N
-经过-m
矩阵,其中GC (i, j)
是部分衍生的C(j)
关于x(i)
(那就是j
th列GC
是渐变的j
不平等限制C(j)
).同样地,如果CEQ.
有P.
组件,梯度GCeq
的CEQ(x)
是一个N
-经过-P.
矩阵,其中GCEQ(I,J)
是部分衍生的CEQ(j)
关于x(i)
(那就是j
th列GCeq
是渐变的j
平等约束CEQ(j)
).
笔记
环境specifyConstraintGRadient.
来真正的
只是有效的时候specifyobjectivegradient.
被设置为真正的
.在内部,目标被折叠到约束中,因此求解器需要同时提供梯度(目标和约束),以避免估计梯度。
笔记
因为优化工具箱™功能仅接受类型的输入双倍的
,用户提供的目标和非线性约束函数必须返回类型的输出双倍的
.
看传递额外的参数有关如何参数化非线性约束函数的说明nonlcon.
,如果必要的。
数据类型:char
|function_handle.
|细绳
选项
-优化选项优化选择
|结构如optimset
回报优化选项,指定为输出优化选择
或者一个结构optimset
返回。
某些选择缺席优化选择
显示。这些选项在下表中以斜体显示。有关详细信息,请参见视图选项.
有关具有不同名称的选项的详细信息optimset
, 看当前和遗留选项名称.
选项 | 描述 |
---|---|
ConstraintTolerance |
约束违背的终止容限,一个正标量。默认值是 为 |
诊断 | 显示关于要最小化或解决的功能的诊断信息。的选择是 |
diffmaxchange. | 有限差分梯度(正标量)的变量最大变化。默认值是 |
差异 | 有限差分梯度(正标量)变量变化的最小值。默认值是 |
|
显示水平(见迭代显示):
|
EqualityGoalCount |
目标所需的目标数量 为 |
FiniteDifferenceStepSize |
有限差分的标量或向量步长因子。当您设置
签名'(x)= sign(x) 除了标志' (0)= 1 .中央有限差异是
FiniteDifferenceStepSize 展开成一个向量。默认值是sqrt (eps) 对于正向有限差分,和EPS ^(1/3) 用于中央有限差异。为 |
FiniteDifferenceType |
用于估计梯度的有限差异的类型 当估计两种类型的有限差异时,算法小心遵循界限。例如,它可能采用向后步骤,而不是前向步骤,以避免在界限之外的点处评估。 为 |
FunctionTolerance |
函数值的终止公差(一个正标量)。默认值是 为 |
FunValCheck | 检查表示目标函数和约束值是否有效。 |
MaxFunctionEvaluations. |
允许的最大函数求值数(一个正整数)。默认值是 为 |
最大 |
允许的最大迭代次数(正整数)。默认值是 为 |
maxsqpiter. | 允许的最大SQP迭代次数(正整数)。默认值是 |
MeritFunction | 如果该选项设置为 |
OptimalityTolerance |
终止耐受一阶最优性(正标量)。默认值是 为 |
outputfcn. |
一个或多个用户定义的函数,用于在每次迭代时调用优化函数。通过功能句柄或功能句柄的单元格数组。默认值为none( |
Plotfcn. |
显示算法执行过程中各种进度的图。从预定义的情节中选择或编写您自己的。传递名称、函数句柄或由名称或函数句柄组成的单元数组。对于定制的绘图函数,传递函数句柄。默认值为none(
自定义绘图功能使用与输出功能相同的语法。看优化工具箱的输出函数和输出函数和绘图函数语法. 为 |
Rellinesrchbnd. | 直线搜索步长上的相对界(一个实非负标量值),使总位移在 |
RelLineSrchBndDuration | 中指定的边界所对应的迭代次数 |
specifyConstraintGRadient. |
用户定义的非线性约束函数的梯度。此选项设置为 为 |
specifyobjectivegradient. |
由用户定义的目标函数的梯度。参考的描述 为 |
StepTolerance. |
终止上公差 为 |
Tolconsqp. | 终止公差对内部迭代SQP约束违规(正标量)。默认值是 |
TypicalX |
典型的 |
UseParallel |
并行计算指示。什么时候 |
例子:Optimoptions('fgoAlattain','plotfcn','OptimplotFval')
fval
-目标函数在解处的值目标函数在解时的值,作为实数组返回。一般来说,fval
=有趣的(x)
.
atainfactor.
——成就因素成就因子,返回为实数。atainfactor.
包含值γ.在解决方案中。如果atainfactor.
是消极的,目标已经超额实现;如果atainfactor.
是积极的,目标已经不明了。看目标
.
ExitFlag.
- - -原因Fgoalattain
停止原因Fgoalattain
停止,返回整数。
|
功能融合到解决方案 |
|
搜索方向的幅度小于指定的公差,约束违规小于 |
|
方向衍生物的幅度小于指定的公差,约束违规小于 |
|
超出迭代次数 |
|
通过输出函数或绘图函数停止 |
|
没有找到可行点。 |
输出
-优化流程信息有关优化过程的信息,返回与此表中字段的结构。
迭代 |
采取的迭代人数 |
Funccount. |
功能评估数量 |
lssteplength |
线路搜索步骤的大小相对于搜索方向 |
constrviolation |
约束函数的最大值 |
stepsize |
最后一次位移的长度 |
算法 |
优化算法 |
firstordopt. |
一阶最优性的衡量 |
信息 |
退出消息 |
有关的描述Fgoalattain
算法和目标实现的讨论概念,见算法.
这优化Live Editor任务提供可视界面Fgoalattain
.
要并行运行,请设置“UseParallel”
选择真正的
.
选择= optimoptions ('
solvername.
”、“UseParallel’,真的)
有关更多信息,请参阅在优化工具箱中使用并行计算.
您单击了与此MATLAB命令对应的链接:
在MATLAB命令窗口中输入它来运行命令。Web浏览器不支持MATLAB命令。金宝app
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。