Fminunc.

求无约束多变量函数的最小值

页面上倒塌

语法

x = fminunc（有趣，x0）

x = fminunc（有趣，x0，选项）

x = fminunc（问题）

[x，fval] = fminunc（＿＿＿）

[x，fval，extflag，输出] = fminunc（＿＿＿）

[x，fval，出口，输出，毕业，黑森州] = fminunc（＿＿＿）

描述

非线性编程求解器。

查找最低问题所指定的问题

$\underset{x}{闵} f （ x ）$

在哪里f（x）是返回标量的函数。

x是矢量或矩阵;看矩阵的参数．

例子

x= fminunc（有趣的，X0.）从点开始X0.并尝试找到当地的最低限度x中描述的功能有趣的．点X0.可以是标量、向量或矩阵。

请注意

通过额外的参数如有必要，如何将额外参数传递给客观函数和非线性约束函数。

Fminunc.用于没有约束的非线性问题。如果您的问题有约束，通常使用粉刺．看到优化决策表．

例子

x= fminunc（有趣的，X0.，选项）最小化有趣的使用指定的优化选项选项．使用optimoptions设置这些选项。

例子

x= fminunc（问题）求最小值问题中所描述的结构问题．

例子

［x，fval] = fminunc（＿＿＿），对于任何语法，返回目标函数的值有趣的在解决方案x．

例子

［x，fval，exitflag，输出] = fminunc（＿＿＿）另外返回一个值exitflag这描述了退出条件Fminunc.，结构输出关于优化过程的信息。

［x，fval，exitflag，输出，毕业，黑森] = fminunc（＿＿＿）另外返回：

毕业- 梯度有趣的在解决方案x．
黑森——黑森有趣的在解决方案x．看到fminunc黑森．

例子

全部折叠

最小化多项式

打开直播脚本

最小化函数 $f （ x ）＝ 3. x_{1}^{2} + 2 x_{1} x_{2} + x_{2}^{2} - 4 x_{1} + 5 x_{2}$ ．

为此，请编写一个匿名函数有趣的计算目标。

有趣= @ (x) 3 * x (1) ^ 2 + 2 * x (1) * (2) + x (2) ^ 2 - 4 * x (1) + 5 * x (2);

称呼Fminunc.求的最小值有趣的附近[1]．

x0 = [1];[x, fval] = fminunc(有趣,x0)

发现本地最低限度。由于梯度的大小小于最优性公差的值，优化完成。

X =1×22.2500 -4.7500.

fval = -16.3750.

供应梯度

打开直播脚本

Fminunc.当您提供衍生工具时，可以更快且更可靠。

编写一个目标函数，返回渐变以及函数值。使用描述的条件化表单包括渐变和幽灵．目标函数是rosenbrock的函数，

$f （ x ）＝ 100 {（ x_{2} - x_{1}^{2} ）}^{2} + （ 1 - x_{1} ）^{2} ，$

有渐变

$\nabla f （ x ）＝［ \begin{array}{cccccccccccccccccccc} - 400 （ x_{2} - x_{1}^{2} ） x_{1} - 2 （ 1 - x_{1} ） \\ 200 （ x_{2} - x_{1}^{2} ） \end{array} ］$ ．

带有梯度的目标函数代码出现在此示例的结尾．

创建选项以使用目标函数的渐变。另外，将算法设置为“信赖域”．

选项= Optimoptions（'fminunc'，'算法'，“信赖域”，'specifyobjectivegrient'，真的）;

设置初始点为[1,2］．然后调用Fminunc.．

x0 = [-1,2];有趣= @rosenbrockwithgrad;x = fminunc（有趣，x0，选项）

发现本地最低限度。由于梯度的大小小于最优性公差的值，优化完成。

X =1×21.0000 1.0000

下面的代码创建rosenbrockwithgrad.功能，包括梯度作为第二输出。

函数(f, g) = rosenbrockwithgrad (x)计算目标ff = 100 *（x（2） -  x（1）^ 2）^ 2 +（1-x（1））^ 2;如果Nargout> 1%梯度要求[-400*(x(2)-x(1)^2)*x(1) - 2*(1-x(1))];200 * (x (2) - x (1) ^ 2)];结束结束

使用问题的结构

打开直播脚本

解决相同的问题供应梯度使用问题结构而不是单独的参数。

编写一个目标函数，返回渐变以及函数值。使用描述的条件化表单包括渐变和幽灵．目标函数是rosenbrock的函数，

$f （ x ）＝ 100 {（ x_{2} - x_{1}^{2} ）}^{2} + （ 1 - x_{1} ）^{2}$ ，

有渐变

$\nabla f （ x ）＝［ \begin{array}{cccccccccccccccccccc} - 400 （ x_{2} - x_{1}^{2} ） x_{1} - 2 （ 1 - x_{1} ） \\ 200 （ x_{2} - x_{1}^{2} ） \end{array} ］$ ．

带有梯度的目标函数代码出现在此示例的结尾．

创建选项以使用目标函数的渐变。另外，将算法设置为“信赖域”．

选项= Optimoptions（'fminunc'，'算法'，“信赖域”，'specifyobjectivegrient'，真的）;

创建一个问题结构，包括初始点x0 = [1, 2]．有关此结构中的必需字段，请参见问题．

问题.Options =选项;问题.x0 = [-1,2];问题.Objective = @rosenbrockwithgrad;问题.Solver =.'fminunc'；

解决这个问题。

x = fminunc（问题）

发现本地最低限度。由于梯度的大小小于最优性公差的值，优化完成。

X =1×21.0000 1.0000

下面的代码创建rosenbrockwithgrad.功能，包括梯度作为第二输出。

函数(f, g) = rosenbrockwithgrad (x)计算目标ff = 100 *（x（2） -  x（1）^ 2）^ 2 +（1-x（1））^ 2;如果Nargout> 1%梯度要求g = [-400 *（x（2）-x（1）^ 2）* x（1）-2 *（1-x（1））;200 * (x (2) - x (1) ^ 2)];结束结束

获得最优目标函数值

打开直播脚本

求非线性函数的最小值和函数在最小值处的值。目标函数为

$f （ x ）＝ x （ 1 ） e^{- {为 x 为}_{2}^{2}} + {为 x 为}_{2}^{2} / 20$ ．

fun = @（x）x（1）* exp（ - （x（1）^ 2 + x（2）^ 2））+（x（1）^ 2 + x（2）^ 2）/ 20;

找到最小化器的位置和目标函数值开始于x0 = [1, 2]．

x0 = [1, 2];[x, fval] = fminunc(有趣,x0)

发现本地最低限度。由于梯度的大小小于最优性公差的值，优化完成。

X =1×2-0.6691 0.0000

fval = -0.4052

检查解决方案过程

打开直播脚本

选择Fminunc.用于检查解决方案过程的选项和输出。

设置选项以获取迭代显示并使用“拟牛顿”算法。

选择= optimoptions (@fminunc,'展示'，“通路”，'算法'，“拟牛顿”）;

目标函数为

$f （ x ）＝ x （ 1 ） e^{- {为 x 为}_{2}^{2}} + {为 x 为}_{2}^{2} / 20 ．$

fun = @（x）x（1）* exp（ - （x（1）^ 2 + x（2）^ 2））+（x（1）^ 2 + x（2）^ 2）/ 20;

开始最小化x0 = [1, 2]，并获得使您能够检查解决方案质量和过程的输出。

x0 = [1, 2];[x，fval，出口，输出] = fminunc（有趣，x0，选项）

一阶迭代Func-count f (x)步长最优3 0 0.15717 0.222149 0.256738 0.173 - 1 6 1 0.131 - 2 9 1 0.158 3 18 -0.227902 0.438133 0.386 4 21 30 -0.404028 0.102071 0.0458 -0.299271 0.46 1 5 6 33 -0.405236 -0.404868 0.0296 1 7 36 1 0.00119 8 39 -0.405237 1 7.97 -0.405237 0.000252 1 9 42 e-07局部最小值。由于梯度的大小小于最优性公差的值，优化完成。

X =1×2-0.6691 0.0000

fval = -0.4052

exitflag = 1

输出=结构体字段:迭代：9 Funccount：42步骤：2.9343E-04 LSSTeplenth：1：7.9721E-07算法：'Quasi-Newton'消息：'...'

出口标志1证明了解是一个局部最优解。
的输出结构显示迭代次数、函数计算次数和其他信息。
迭代显示还显示了迭代和函数评估的数量。

输入参数

全部折叠

`有趣的`- - - - - -函数最小化
函数处理|函数名称

功能最小化，指定为函数句柄或函数名称。有趣的是一个接受向量或数组的函数x并返回一个真正的标量f，目标函数的取值为x．

指定有趣的作为文件的函数句柄：

x = fminunc（@ myfun，x0）

在哪里myfun.MATLAB是一种^®功能如

函数f = myfun(x)%计算函数在x处的值

你也可以指定有趣的作为匿名功能的函数句柄：

x = fminunc（@（x）rang（x）^ 2，x0）;

如果您可以计算渐变有趣的和的SpecifyObjectiveGradient选项设置为真的，如图所示

选项= Optimoptions（'fminunc'，'specifyobjectivegradient'，true）

然后有趣的必须返回渐变向量g（x）在第二个输出参数中。

如果你也能计算出Hessian矩阵和的赫索斯·福克选项设置为'客观的'通过选项= Optimoptions（'fminunc'，'hessianfcn'，'目标'）和的算法选项设置为“信赖域”，有趣的必须返回黑森州的价值h（x），一个对称矩阵，在第三输出参数中。有趣的可以给稀疏的黑森。看到Hessian用于fminunc信任区域或fmincon信任区域反射算法获取详细信息。

的信赖域算法允许您提供Hessian乘法函数。此功能给出了Hessian - 时间 - 矢量产品的结果，而不直接计算Hessian。这可以节省内存。看到Hessian乘法功能．

例子：Fun = @（x）sin（x（1））* cos（x（2））

数据类型：char|function_handle|细绳

`X0.`- - - - - -初始点
真正的向量|真正的数组

初始点，指定为实向量或实数组。解算器使用元素的数量X0.大小X0.来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：双倍的

`选项`- - - - - -优化选项
的输出`optimoptions`|结构如`优化集`返回

优化选项，指定为输出optimoptions或者一个结构优化集返回。

有些选项适用于所有算法，其他选项与特定算法相关。看到优化选择参考的详细信息。

控件中缺少一些选项optimoptions展示。这些选项在下表中显示在斜体中。有关详细信息，请参阅视图选项．

所有的算法
`算法`	选择`Fminunc.`算法。的选择是`“拟牛顿”`(默认)或`“信赖域”`．的`“信赖域”`算法要求你提供梯度(见`有趣的`),否则`Fminunc.`用来`“拟牛顿”`算法。有关选择算法的信息，请参见选择算法．
`CheckGradients`	将用户提供的衍生物（客观梯度）与有限差分衍生物进行比较。的选择是`假`(默认)或`真的`．为`优化集`，名字是`DerivativeCheck`这些值是`“上”`要么`'离开'`．看到当前和遗留选项名称．
诊断	显示关于要最小化或解决的函数的诊断信息。的选择是`'离开'`(默认)或`“上”`．
diffmaxchange.	有限差分梯度（正标量）的变量最大变化。默认为`INF.`．
差异	有限差分梯度（正标量）的变量最小变化。默认为`0`．
`展示`	显示水平（见迭代显示)： `'离开'`要么`“没有”`显示无输出。 `“通路”`在每次迭代时显示输出，并提供默认退出消息。 `“iter-detailed”`在每次迭代时显示输出，并给出技术退出消息。 `'通知'`仅在函数不收敛时显示输出，并给出默认退出消息。 `'通知 - 详细'`仅在函数不收敛时显示输出，并给出技术退出消息。 `'最后'`（默认）仅显示最终输出，并提供默认退出消息。 `'最终详细'`仅显示最终输出，并提供技术退出消息。
`FiniteDifferenceStepSize`	用于有限差异的标量或矢量步长因子。当你设置时`FiniteDifferenceStepSize`向矢量`v`，前向的有限差异`三角洲`是 `δ= v 标志的(x) 马克斯(abs (x)、TypicalX);` 在哪里`符号“(x) =符号(x)`除了`标志' (0)= 1`．中央有限差异是 `delta = v。* max（abs（x），典型值）;` 标量子`FiniteDifferenceStepSize`扩展到向量。默认为`sqrt (eps)`用于前进有限差异，和`eps ^ (1/3)`对于中心有限差分。信任区域算法使用`FiniteDifferenceStepSize`只有当`CheckGradients`被设置为`真的`．为`优化集`，名字是`FinDiffRelStep`．看到当前和遗留选项名称．
`finitedifferenceType.`	用于估计梯度的有限差分是`“前进”`（默认），或`'中央'`（以中心）。`'中央'`需要两倍的函数评估，但应该更准确。信任区域算法使用`finitedifferenceType.`只有当`CheckGradients`被设置为`真的`．为`优化集`，名字是`findifftype.`．看到当前和遗留选项名称．
funvalcheck.	检查客观函数值是否有效。默认设置，`'离开'`，不执行检查。的`“上”`当目标函数返回值时，设置显示错误`复杂的`，`INF.`，要么`南`．
`MaxFunctionEvaluations`	允许的函数求值的最大数目，一个正整数。默认值为`100 * numberofvariables.`．看到公差和停止标准和迭代和功能计数．为`优化集`，名字是`Maxfunevals.`．看到当前和遗留选项名称．
`MaxIterations`	允许的最大迭代次数，一个正整数。默认值为`400`．看到公差和停止标准和迭代和功能计数．为`优化集`，名字是`maxiter.`．看到当前和遗留选项名称．
`最优法`	终止耐受一阶最优性（正标量）。默认为`1E-6`．看到一阶最优测量．为`优化集`，名字是`塔尔芬`．看到当前和遗留选项名称．
`outputfcn.`	指定优化函数在每次迭代时调用的一个或多个用户定义函数。传递一个函数句柄或函数句柄的单元格数组。默认为none (`[]`）.看到输出功能和绘图函数语法．
`PlotFcn`	绘制算法执行时的各种进度度量;从预定义的情节中选择或编写您自己的。传递内置绘图函数名、函数句柄或内置绘图函数名或函数句柄的单元格数组。对于定制的绘图函数，传递函数句柄。默认为none (`[]`)： `'Optimplotx'`绘制当前点。 `'OptimplotFunccount'`绘制函数计数。 `'OptimplotFval'`绘制函数值。 `'OptimplotStepsize'`绘制步长。 `'OptimplotFirstordopt'`绘制一阶最优测度。自定义绘图函数使用与输出函数相同的语法。看到优化工具箱的输出函数和输出功能和绘图函数语法．为`优化集`，名字是`PlotFcns`．看到当前和遗留选项名称．
`SpecifyObjectiveGradient`	由用户定义的目标函数的梯度。参见`有趣的`来了解如何定义渐变`有趣的`．设置`真的`有`Fminunc.`使用客观函数的用户定义梯度。默认值`假`原因`Fminunc.`用有限差分估计梯度。你必须提供渐变和设置`SpecifyObjectiveGradient`到`真的`，使用信任区域算法。Quasi-Newton算法不需要此选项。为`优化集`，名字是`GradObj`这些值是`“上”`要么`'离开'`．看到当前和遗留选项名称．
`StepTolerance.`	终止宽容`x`，一个正标量。默认值为`1E-6`．看到公差和停止标准．为`优化集`，名字是`TolX`．看到当前和遗留选项名称．
`TypicalX`	典型的`x`价值观。元素的数量`TypicalX`等于元素的个数`X0.`，起点。默认值为`（Numberofvarialbles，1）`．`Fminunc.`用途`TypicalX`用于缩放有限差异的梯度估计。的`信赖域`算法使用`TypicalX`只适用于`CheckGradients`选项。
`信赖域`算法
`FunctionTolerance`	函数值终止差值，正标量。默认为`1E-6`．看到公差和停止标准．为`优化集`，名字是`塔尔芬`．看到当前和遗留选项名称．
`赫索斯·福克`	如果设置为`[]`（默认），`Fminunc.`用有限差分近似Hessian。如果设置为`'客观的'`，`Fminunc.`使用用户定义的Hessian函数作为目标函数。Hessian是目标函数的第三个输出(见`有趣的`）. 为`优化集`，名字是`Hessfcn.`．看到当前和遗留选项名称．
`黑森州Multiplyfcn.`	Hessian乘法函数，指定为函数句柄。对于大规模的结构问题，此功能计算Hessian矩阵产品`H * Y.`没有实际形成`H`．该功能是表单 w = hmfun（hinfo，y）在哪里`Hinfo`包含用于计算的矩阵`H * Y.`．第一个参数与目标函数返回的第三个参数相同`有趣的`例如, [f, g, Hinfo] =乐趣(x) `Y`是具有相同数量的行的矩阵，因为问题存在尺寸。矩阵`W = H * Y`,虽然`H`不是明确形成的。`Fminunc.`用途`Hinfo`计算前提者。有关如何为任何其他参数提供值的信息`HMFUN.`需要，看看通过额外的参数．请注意使用`黑森州Multiplyfcn.`选项，`赫索斯·福克`必须设置为`[]`．例如，请参见稠密结构Hessian的最小化，线性等式．为`优化集`，名字是`Hessmult.`．看到当前和遗留选项名称．
Hesspattern.	Hessian的稀疏模式，用于有限差异。放`Hesspattern（i，j）= 1`当你可以拥有∂²`有趣的`/∂`x（i）`∂`x（j）`≠0.否则，设置`Hesspattern（i，j）= 0`．使用`Hesspattern.`当计算Hessian矩阵不方便时`H`在`有趣的`，但你可以确定(说，通过检查)何时`我`梯度的分量`有趣的`依赖于取决于`x（j）`．`Fminunc.`可以近似`H`如果您提供的，通过稀疏有限差异（梯度）稀疏结构的`H`作为价值`Hesspattern.`．换句话说，提供非安利斯的位置。当结构未知时，未设置`Hesspattern.`．默认行为就像`Hesspattern.`是一种密集的矩阵。然后`Fminunc.`计算每次迭代中的完整有限差分近似。对于大问题来说，这种计算可能是昂贵的，因此通常更好地确定稀疏结构。
maxpcgiter.	最大预处理缀合物梯度（PCG）迭代，一个正标量。默认为`马克斯(1楼(numberOfVariables / 2))`．有关更多信息，请参阅信赖域算法．
precondbandwidth.	PCG预调制器的上带宽，非负整数。默认情况下,`Fminunc.`使用对角线预处理（上带宽为0）。对于一些问题，增加带宽减少了PCG迭代的数量。环境`precondbandwidth.`到`INF.`使用直接因子分解(Cholesky)而不是共轭梯度(CG)。直接因式分解在计算上比CG更昂贵，但在求解过程中产生了更好的质量。
`子项产算法`	确定如何计算迭代步骤。默认值，`'cg'`，比速度更快但不太准确`“分解”`．看到Fminunc信任区域算法．
TolPCG	PCG迭代的终止公差，正标量。默认为`0.1`．
`拟牛顿`算法
Hessupdate.	在Quasi-Newton算法中选择搜索方向的方法。选择是： `'bfgs'`，默认值 `“dfp”` `“steepdesc”` 看到拟牛顿算法和黑森州更新有关这些方法的描述。
`Objectivelimit.`	一个标量的公差(停止标准)。如果迭代时目标函数值小于或等于`Objectivelimit.`，迭代停止，因为可能是无限制的问题。默认值为`-1E20.`．
`UseParallel`	什么时候`真的`，`Fminunc.`平行估计梯度。通过设置为默认值来禁用，`假`．`信赖域`需要梯度，所以`UseParallel`不适用。看到并行计算．

例子：选项= Optimoptions（'fminunc'，'specifyobjectivegradient'，true）

`问题`- - - - - -问题的结构
结构体

问题结构，指定为具有以下字段的结构:

字段名称	条目
`客观的`	目标职能
`X0.`	初始点`x`
`求解器`	`'fminunc'`
`选项`	选择的选项`optimoptions`

数据类型：结构体

输出参数

全部折叠

`x`——解决方案
实向量|实数组

解，返回实向量或实数组。的大小x与大小相同X0.．通常，x是当地解决问题的地方exitflag是积极的。有关解决方案质量的信息，请参阅当求解成功时．

`fval`-目标函数在解处的值
实数

解决方案的目标函数值，作为实数返回。一般来说，fval＝有趣（x）．

`exitflag`- 原因`Fminunc.`停了下来
整数

原因Fminunc.已停止，返回为整数。

`1`	梯度的幅度小于`最优法`宽容。
`2`	的变化`x`比`StepTolerance.`宽容。
`3.`	目标函数值的变化小于`FunctionTolerance`宽容。
`5`	预测的目标函数下降小于`FunctionTolerance`宽容。
`0`	超过迭代次数`MaxIterations`或超过函数求值次数`MaxFunctionEvaluations`．
`－1`	算法由输出函数终止。
`－3`	下面是当前迭代的目标函数`Objectivelimit.`．

`输出`- 有关优化过程的信息
结构体

有关优化过程的信息，作为具有字段的结构返回：

`迭代`	迭代次数
`funcCount`	函数计算次数
`firstorderopt`	一阶最优性的度量
`算法`	优化算法使用
`cgiteration.`	PCG迭代总次数(`“信赖域”`算法只)
`lssteplength`	线路搜索步骤的大小相对于搜索方向（`“拟牛顿”`算法只)
`一步的大小`	最终流离失所`x`
`消息`	退出消息

`毕业`-解处的梯度
真正的向量

解决方案的梯度，作为真正的矢量返回。毕业给出梯度有趣的在点X（：）．

`黑森`- 近似黑森州
真正的矩阵

近似的黑森函数，返回实矩阵。为了…的意义黑森,请参阅黑森州的产出．

算法

全部折叠

拟牛顿算法

的拟牛顿算法使用BFGS Quasi-Newton方法具有三次线路搜索过程。此Quasi-Newton方法使用BFGS（[1]，［5］，［8］,［9］）用于更新Hessian矩阵近似的公式。您可以选择DFP（［4］，［６］,［７］)式，该式近似于逆Hessian矩阵，通过设置Hessupdate.选择“dfp”（和该算法选择“拟牛顿”）.您可以通过设置选择最陡的下降方法Hessupdate.到“steepdesc”(和算法到“拟牛顿”），虽然这个设置通常效率低下。看到Fminunc Quasi-Newton算法．

信赖域算法

的信赖域算法要求你提供梯度有趣的和集合SpecifyObjectiveGradient到真的使用optimoptions．该算法是子空间信任区域方法，基于内部反射牛顿方法［2］和［3］．每次迭代都涉及到使用预条件共轭梯度(PCG)方法求解一个大线性系统的近似解。看到Fminunc信任区域算法，非线性最小化的信任区域方法和预处理的共轭梯度法．

选择功能

应用程序

的优化Live Editor任务提供可视界面Fminunc.．

参考

[1] Broyden，C.G。“一类双级最小化算法的收敛性”。本月》杂志上。数学。品。，卷。6，1970，第76-90页。

[2] Coleman, t.f.和Y. Li。有界非线性极小化的内部信赖域方法暹罗期刊优化， 1996年第6卷，418-445页。

[3] Coleman，T. F.和Y. Li。“关于对界限大规模非线性最小化的反光牛顿方法的收敛性。”数学规划，卷。67，第294号，第294页，第189-224页。

[4] Davidon, W. C. <最小化的可变度量法>a.e.c研究与发展报告1959年,退火- 5990。

[5] Fletcher，R。“一种可变度量算法的新方法”。电脑杂志，第13卷，1970年，317-322页。

[6]弗莱彻，R。“优化的实用方法”。卷。1，不受约束的优化，约翰瓦利和儿子，1980年。

R.弗莱彻和M. J. D.鲍威尔。“一种快速收敛的下降法最小化。”电脑杂志，卷。6,1963，第163-168页。

[8] Goldfarb, D.《由变分均值衍生的变量度量更新的家族》。数学的计算，第24卷，1970年，第23-26页。

[9] Shanno，D. F。“Quasi-Newton方法的调节功能最小化”。数学的计算，第24卷，1970年，第647-656页。

扩展能力

自动并行支持金宝app
使用并行计算工具箱™自动并行运行计算，加速代码。

要并行运行，请设置“UseParallel”选择真的．

选择= optimoptions ('solvername.'，'使用adplallel'，true）

有关更多信息，请参阅在优化工具箱中使用并行计算．

另请参阅

粉刺|fminsearch.|优化|optimoptions

主题

在R2006A之前介绍

Fminunc.

语法

描述

例子

最小化多项式

供应梯度

使用问题的结构

获得最优目标函数值

检查解决方案过程

输入参数

`有趣的`- - - - - -函数最小化
函数处理|函数名称

`X0.`- - - - - -初始点
真正的向量|真正的数组

`选项`- - - - - -优化选项
的输出`optimoptions`|结构如`优化集`返回

`问题`- - - - - -问题的结构
结构体

输出参数

`x`——解决方案
实向量|实数组

`fval`-目标函数在解处的值
实数

`exitflag`- 原因`Fminunc.`停了下来
整数

`输出`- 有关优化过程的信息
结构体

`毕业`-解处的梯度
真正的向量

`黑森`- 近似黑森州
真正的矩阵

算法

拟牛顿算法

信赖域算法

选择功能

应用程序

参考

扩展能力

自动并行支持金宝app
使用并行计算工具箱™自动并行运行计算，加速代码。

另请参阅

主题

优化工具箱文档

金宝app

8个Matlab备忘上数据科学

Fminunc.

语法

描述

例子

最小化多项式

供应梯度

使用问题的结构

获得最优目标函数值

检查解决方案过程

输入参数

有趣的- - - - - -函数最小化函数处理|函数名称

X0.- - - - - -初始点真正的向量|真正的数组

选项- - - - - -优化选项的输出optimoptions|结构如优化集返回

问题- - - - - -问题的结构结构体

输出参数

x——解决方案实向量|实数组

fval-目标函数在解处的值实数

exitflag- 原因Fminunc.停了下来整数

输出- 有关优化过程的信息结构体

毕业-解处的梯度真正的向量

黑森- 近似黑森州真正的矩阵

算法

拟牛顿算法

信赖域算法

选择功能

应用程序

参考

扩展能力

自动并行支持金宝app使用并行计算工具箱™自动并行运行计算，加速代码。

另请参阅

主题

优化工具箱文档

金宝app

8个Matlab备忘上数据科学

`有趣的`- - - - - -函数最小化
函数处理|函数名称

`X0.`- - - - - -初始点
真正的向量|真正的数组

`选项`- - - - - -优化选项
的输出`optimoptions`|结构如`优化集`返回

`问题`- - - - - -问题的结构
结构体

`x`——解决方案
实向量|实数组

`fval`-目标函数在解处的值
实数

`exitflag`- 原因`Fminunc.`停了下来
整数

`输出`- 有关优化过程的信息
结构体

`毕业`-解处的梯度
真正的向量

`黑森`- 近似黑森州
真正的矩阵

自动并行支持金宝app
使用并行计算工具箱™自动并行运行计算，加速代码。