优化技术用于找到一组设计参数,x= {x1,x2、……xn},在某种程度上可以被定义为最优。在一个简单的情况下,这个过程可能是依赖于某个系统特性的最小化或最大化x.在一个更高级的公式中,目标函数f(x),以最小化或最大化,可能受到以下一种或多种形式的限制:
等式约束,G我(x) = 0 (我= 1,…,米e)
不等式约束,G我(x)≤0 (我=米e+ 1,…,米)
参数范围,xl,xu,在那里xl≤x≤xu,一些xl可以是-∞,还有一些xu可以∞
一般问题(GP)描述如下
(1) |
受
在哪里x向量的长度是多少n设计参数,f(x)是目标函数(返回标量值),向量函数G(x)返回长度向量米包含等式约束和不等式约束的值x.
有效而准确地解决这一问题不仅取决于问题的大小在约束和设计变量的数量上,而且取决于目标函数和约束的特征。当目标函数和约束条件都是设计变量的线性函数时,该问题称为线性规划(LP)问题。二次规划(QP)关注的是线性约束的二次目标函数的最小化或最大化。对于LP和QP问题,可靠的解决程序是随时可用的。更难解决的是目标函数和约束可以是设计变量的非线性函数的非线性规划(NP)问题。NP问题的解决通常需要一个迭代过程来确定每个主要迭代的搜索方向。这种解通常通过LP、QP或无约束子问题的解来实现。
所有优化都发生在实数中。然而,无约束最小二乘问题和方程的求解可以用复解析函数表达和解决。看到在优化工具箱求解器中的复数.