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。在简单的情况下,这个过程可能是所依赖的某个系统特性的最小化或最大化x.更高级的表述是,目标函数f(x),要最小化或最大化,可能会受到以下一种或多种形式的约束:
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)和向量函数G(x)返回一个长度的向量米包含在处求值的等式和不等式约束的值x.
有效、准确地解决这个问题不仅取决于问题的大小(约束和设计变量的数量),而且还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,问题称为a线性规划问题。二次规划(QP)关注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,可靠的解决程序是现成的。比较难解决的是非线性规划(NP)问题,其中目标函数和约束条件可以是设计变量的非线性函数。NP问题的解决通常需要一个迭代过程来建立每个主要迭代的搜索方向。这种解决方法通常是通过求解LP、QP或无约束子问题来实现的。
所有的优化都是以实数进行的。然而,无约束最小二乘问题和方程求解可以用复解析函数来表述和解决。看到在最优化工具箱求解器中的复数.