所有的算法 |
算法
|
之间做出选择“trust-region-reflective” (默认),“levenberg-marquardt” 。 的算法 选项指定偏爱使用何种算法。它仅仅是一个偏好,因为每个算法必须满足一定的条件下使用。trust-region-reflective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 。选择算法的更多信息,见选择算法。 |
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。的选择是假 (默认)或真正的 。 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“关闭” (默认)或“上” 。 |
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 |
检查函数值是否有效。“上” 会显示一个错误时,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 。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 。 为optimset ,名字是TolFun 。看到当前和遗留选项名称。 |
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。通过一个名字,一个函数处理,或处理单元阵列的名称或函数。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。
“optimplotresnorm” 阴谋剩余工资的标准。
“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 |
如果假 (默认),解算器接近雅可比矩阵使用有限的差异。如果真正的 雅可比矩阵,解算器使用一个用户定义的(中定义有趣的 雅可比矩阵),或者信息(当使用JacobMult ),为目标函数。 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) 。解算器使用TypicalX 为扩展有限差分梯度估计。 |
UseParallel |
当真正的 并行求解估计,梯度。禁用默认设置,假 。看到并行计算。 |
Trust-Region-Reflective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
在哪里动力系统 包含用于计算的矩阵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,
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:
在每种情况下,J 不是显式地形成的。解算器使用动力系统 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 解算器通过动力系统 从有趣的 来jmfun 。
看到最小化茂密的结构化的麻绳,线性等式和雅可比矩阵乘法函数与线性最小二乘法类似的例子。 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) 。解算器可以近似J 当你给通过稀疏有限的差异JacobPattern 。 如果结构是未知的,不设置JacobPattern 。就好像默认行为JacobPattern 是一个稠密矩阵的。然后求解计算有限差分近似在每个迭代中。为大问题这可能是昂贵的,所以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,numberOfVariables / 2) 。有关更多信息,请参见大规模非线性最小二乘法。 |
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Trust-Region-Reflective最小二乘。 |
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” 。
|