此示例显示如何使用六个求解器最小化Rastrigin的功能。每个求解器都有自己的特点。该特性导致不同的解决方案和运行时间。金宝搏官方网站结果,检查了比较语法和解决方案金宝搏官方网站,可以帮助您为自己的问题选择合适的解决者。
Rastrigin函数有许多局部极小值,在(0,0)处有一个全局极小值:
通常你不知道目标函数的全局最小值的位置。为了展示求解器是如何寻找全局解的,本示例将所有求解器围绕这一点启动(20、30)
,远离全球最低限度。
的Rastriginsfcn.m.
文件实现了Rastrigin的功能。这个文件全局优化工具箱软件。此示例采用缩放版本的Rastrigin功能,具有较大的吸引力盆地。有关信息,请参阅吸引力盆地.
rf2 = @ (x) rastriginsfcn (x / 10);
这个例子最小化rf2
使用的默认设置fminunc
(优化工具箱™求解器),PatternSearch.
, 和GlobalSearch
.这个例子还使用了遗传算法
和particleswarm
使用非默认选项,以围绕该点的初始种群开始(20、30)
.因为代理人考试
需要有限的边界,这个例子使用代理人考试
下限-70
的上界130
在每一个变量。
使用使用的解决优化问题fminunc
优化工具箱求解器,输入:
rf2 = @ (x) rastriginsfcn (x / 10);% 客观的x0 =(20、30);%开始点远离最小值[XF,FF,FLF] = Fminunc(RF2,X0)
fminunc
返回
发现本地最低限度。优化完成,因为梯度的大小小于功能公差的默认值。XF = 19.8991 29.8486 ff = 12.9344 flf = 1 =带有字段的结构:迭代:3 funccount:15 stepize:1.7776E-06 lssteplength:1 firstorderopt:5.9907e-09算法:'准牛顿'消息:'局部最小值。...'
xf
是最小值点。
ff
是目标的价值,rf2
,在xf
.
flf
是退出标志。的退出标志1
表示xf
为局部最小值。
的
是输出结构,描述了fminunc
计算导致解决方案。
使用使用的解决优化问题PatternSearch.
全局优化工具箱解算器,输入:
rf2 = @ (x) rastriginsfcn (x / 10);% 客观的x0 =(20、30);%开始点远离最小值(xp、fp、隔爆、op) = patternsearch (x0 rf2)
PatternSearch.
返回
优化终止:网格尺寸小于选项。网格公差。flp xp = 19.8991 -9.9496 fp = 4.9748 = 1 op =结构体字段:功能:@ (x) rastriginsfcn (x / 10) problemtype:“无约束”pollmethod:“gpspositivebasis2n”maxconstraint: [] searchmethod:[]迭代:48 funccount: 174 meshsize: 9.5367 e-07 rngstate: [1 x1 struct]信息:“优化终止:网格大小小于options.MeshTolerance。”
XP.
是最小值点。
《外交政策》
是目标的价值,rf2
,在XP.
.
隔爆
是退出标志。的退出标志1
表示XP.
为局部最小值。
人事处
是输出结构,描述了PatternSearch.
计算导致解决方案。
使用使用的解决优化问题遗传算法
全局优化工具箱解算器,输入:
rng.默认的%的再现性rf2 = @ (x) rastriginsfcn (x / 10);% 客观的x0 =(20、30);%开始点远离最小值ingpop = 10 * Randn(20,2)+ Repmat(x0,20,1);选择= optimoptions ('GA',“InitialPopulationMatrix”, initpop);[XGA,FGA,FLGA,OGA] = GA(RF2,2,[],[],[],[],[],[],[],选择)
训练
是一个20 × 2矩阵。每一行的训练
有意义(20、30)
,各元素均以标准差正态分布10
.行的行训练
形成初始群体矩阵遗传算法
解算器。
选择
选项设置好了吗训练
作为初始总体。
最后一行是遗传算法
,使用选项。
遗传算法
使用随机数,并产生随机结果。在这种情况下遗传算法
返回:
优化终止:超出了最大几代数。xga = -0.0042 -0.0024 fga = 4.7054e-05 flga = 0 oga = struct with字段:问题rype:'不受约束的'rngstate:[1×1 struct]代:200 funccount:9453消息:'优化终止:最大数量超过。MaxConstraint:[]
XGA.
是最小值点。
FGA.
是目标的价值,rf2
,在XGA.
.
flga
是退出标志。的退出标志0
表明遗传算法
达到函数求值极限或迭代极限。在这种情况下,遗传算法
达到了迭代限制。
oga.
是输出结构,描述了遗传算法
计算导致解决方案。
喜欢遗传算法
,particleswarm
是一种基于人群的算法。因此,对于求解器的公平比较,将粒子群初始化为与相同的人群遗传算法
.
rng.默认的%的再现性rf2 = @ (x) rastriginsfcn (x / 10);% 客观的选择= optimoptions (“particleswarm”,“InitialSwarmMatrix”, initpop);[xpso,单点、flgpso opso] = particleswarm (rf2 2[][],选择)
优化结束:相对于上一个选项的目标值的变化。MaxStallIterations迭代小于options . functional tolerance。xpso = 9.9496 0.0000 fpso = 0.9950 flgpso = 1 opso = struct with fields: rngstate: [1×1 struct] iterations: 56 funccount: 1140 message: 'Optimization ended: relative change in the objective value↵over the last OPTIONS. xpso = 9.9496 0.0000 fpso = 0.9950 flgpso = 1 opso = struct with fields:MaxStallIterations迭代小于options . functional tolerance。
XPSO
是最小值点。
单点
是目标的价值,rf2
,在XPSO
.
FLGPSO
是退出标志。的退出标志1
表示XPSO
为局部最小值。
opso.
是输出结构,描述了particleswarm
计算导致解决方案。
代理人考试
不需要起点,但需要有限的边界。在每个组件中设置-70到130的边界。要获得与其他求解器相同的输出类型,请禁用默认的plot函数。
rng.默认的%的再现性lb = [-70,-70];UB = [130,130];rf2 = @ (x) rastriginsfcn (x / 10);% 客观的选择= optimoptions ('trustogatept','plotfcn'[]);[xsur, fsur flgsur osur] = surrogateopt (rf2、磅、乌兰巴托、选择)
Surrogateopt停止,因为它超过了'options.MaxFunctionEvaluations'设置的函数求值限制。xsur = -0.0033 0.0005 fsur = 2.2456e-05 flgsur = 0 osur = struct with fields: elapsedtime: 2.3877 funccount: 200 rngstate: [1×1 struct] message: 'Surrogateopt stopped because it exceeded the function evaluation limit set by↵'
xsur
是最小值点。
fsur
是目标的价值,rf2
,在xsur
.
flgsur
是退出标志。的退出标志0
表明代理人考试
停止,因为它耗尽了函数计算或时间。
Osur.
是输出结构,描述了代理人考试
计算导致解决方案。
使用使用的解决优化问题GlobalSearch
解算器,输入:
rf2 = @ (x) rastriginsfcn (x / 10);% 客观的x0 =(20、30);%开始点远离最小值问题= createOptimProblem ('fmincon','客观的',rf2,...'x0',x0);gs = globalsearch;[xg,fg,flg,og] = run(gs,问题)
问题
是一个优化问题结构。问题
指定了fmincon
求解器,答案rf2
目标函数,x0 =(20、30)
.,以获取更多使用信息createOptimproblem.
,请参阅创建问题结构.
请注意
您必须指定fmincon
作为求解器GlobalSearch
,甚至对于无约束问题。
gs
是一个默认GlobalSearch
目的。该对象包含解决问题的选项。打电话运行(gs、问题)
跑问题
从多个起点出发。起始点是随机的,所以下面的结果也是随机的。
在这种情况下,run返回:
Globalsearch停止,因为它分析了所有的试验点。所有10个本地求解器运行融合,并使用正本地求解器出口标志。XG = 1.0E-07 * -0.1405 -0.1405 FG = 0 flg = 1 og =带有字段的结构:Funccount:2350 localsolvertotal:10 localsolversuccess:10 localsolverincomplete:0 localsolvernosolution:0消息:'globalsearch停止,因为它分析了所有的试验点。↵↵在10个本地求解器运行中融合,并使用正本地求解器出口标志。
xg
是最小值点。
成品
是目标的价值,rf2
,在xg
.
焦距
是退出标志。的退出标志1
显示所有fmincon
运行正常融合。
噩
是输出结构,描述了GlobalSearch
计算导致解决方案。
如果一个解的目标函数值小于另一个解,则该解优于另一个解。下表总结了结果,精确到一个小数。
结果 | fminunc | PatternSearch. | 遗传算法 | particleswarm | 代理人考试 | GlobalSearch |
---|---|---|---|---|---|---|
解决方案 | [19.9 29.9] |
[19.9 -9.9] |
[0 0] |
(10 0) |
[0 0] |
[0 0] |
客观的 | 12.9 |
5 |
0 |
1 |
0 |
0 |
#函数宏指令 | 15 |
174 |
9453 |
1140 |
200. |
2178 |
这些结果是典型的:
fminunc
在其起始盆地内迅速达到局部解决方案,但根本不探索该盆地以外的地方。fminunc
具有简单的调用语法。
PatternSearch.
需要更多的功能评估fminunc
,并在几个盆地中寻找,最终得到一个比fminunc
.的PatternSearch.
调用语法与的语法相同fminunc
.
遗传算法
需要更多的函数求值PatternSearch.
.偶然抵达更好的解决方案。在这种情况下,遗传算法
在全局最优值附近找到一个点。遗传算法
是随机的,因此其结果随每次运行而变化。遗传算法
有一个简单的调用语法,但有额外的步骤靠近初始人口(20、30)
.
particleswarm
需要的函数求值比遗传算法
,但不仅仅是PatternSearch.
.在这种情况下,particleswarm
找到一个目标函数值小于的点PatternSearch.
,但高于遗传算法
.因为particleswarm
是随机的,其结果随着每次运行而变化。particleswarm
有一个简单的调用语法,但有额外的步骤靠近初始人口(20、30)
.
代理人考试
当它达到函数求值限制时停止,对于双变量问题,默认值为200。代理人考试
有一个简单的调用语法,但需要有限界限。代理人考试
尝试找到全局解决方案,在这种情况下成功。每个功能评估代理人考试
需要更长的时间,而不是大多数其他求解器,因为代理人考试
作为算法的一部分,执行许多辅助计算。
GlobalSearch
运行
函数值的数量级遗传算法
和particleswarm
,寻找许多盆地,并得到一个很好的解决方案。在这种情况下,GlobalSearch
找到全局最优。设置GlobalSearch
比设置其他求解器更多。作为示例显示,在呼叫之前GlobalSearch
,则必须同时创建GlobalSearch
对象(gs
在该示例中)和问题结构(问题
).然后,你呼叫运行
方法gs
和问题
.有关如何运行的详细信息GlobalSearch
,请参阅GlobalSearch和MultiStart的工作流.