设置选项patternsearch
通过使用optimoptions
.
选择= optimoptions (“patternsearch”,“Option1”,“value1”,“Option2”,“value2”);
中列出了一些选项斜体
.这些选项没有出现在清单中optimoptions
的回报。看看为什么”optimoptions
隐藏这些选项值,请参见Options隐藏的选项.
确保将选项传递给求解器。否则,patternsearch
使用默认选项值。
[x, fval] = patternsearch (Aeq有趣,x0, A, b,说真的,磅,乌兰巴托,nonlcon,选项)
PlotFcn
指定在每次迭代时调用的绘图函数或函数patternsearch
或paretosearch
.设置PlotFcn
选项为内置的绘图函数名称或绘图函数的句柄。单击,可以在任何时候停止算法停止情节窗口上的按钮。例如,要显示最好的函数值,设置选项
如下:
选择= optimoptions(‘patternsearch’,‘PlotFcn’,‘psplotbestf’);
若要显示多个绘图,请使用内置绘图函数名称的单元格数组或函数句柄的单元格数组:
options = optimoptions('patternsearch','PlotFcn', {@plotfun1, @plotfun2,…});
在哪里@plotfun1
,@plotfun2
,等等是plot函数的函数句柄。如果指定多个绘图函数,所有绘图将作为子绘图显示在同一个窗口中。在单独的图形窗口中,右键单击任何子图以获得更大的版本。
可用的绘图功能patternsearch
或paretosearch
只有一个目标函数:
“psplotbestf”
-绘制最佳目标函数值。
“psplotfuncount”
-绘制函数计算次数。
“psplotmeshsize”
-绘制网格大小。
“psplotbestx”
-画出当前最好的点。
“psplotmaxconstr”
-绘制最大非线性约束违背。
您还可以创建和使用自己的plot函数。情节功能的结构描述自定义绘图函数的结构。将任何自定义函数作为函数句柄传递。
为paretosearch
对于多个目标函数,您可以选择作为函数句柄传递的自定义函数,或下列函数中的任何一个。
“psplotfuncount”
-绘制函数计算次数。
“psplotmaxconstr”
-绘制最大非线性约束违背。
“psplotdistance”
-绘制距离度量。看到paretosearch算法.
“psplotparetof”
-绘制目标函数值。适用于三个或更少的目标。
“psplotparetox”
-在参数空间中绘制当前点。适用于三维或更小的维度。
“psplotspread”
-绘制价差度量。看到paretosearch算法.
“psplotvolume”
-绘制体积度量。看到paretosearch算法.
为patternsearch
,PlotInterval
选项指定对绘图函数连续调用之间的迭代次数。
plot函数的第一行有这样的形式
函数Stop = plotfun(optimvalues, flag)
函数的输入参数是
optimvalues
-包含关于求解器当前状态信息的结构。该结构包含以下字段patternsearch
:
x
——当前点
迭代
——迭代数
fval
-目标函数值
meshsize
-当前的网格尺寸
funccount
—函数计算次数
方法
-上次迭代使用的方法
TolFun
-上次迭代中函数值的公差
TolX
——宽容x
上次迭代的值
nonlinineq
—非线性不等式约束,仅当指定非线性约束函数时显示
nonlineq
—非线性等式约束,仅当指定了非线性约束函数时显示
该结构包含以下字段paretosearch
:
国旗
-调用plot函数的当前状态。的可能值国旗
是
“init”
——初始化状态
“通路”
——迭代状态
“中断”
——中间阶段
“完成”
——最终状态
的细节国旗
,请参阅输出函数的结构.
传递额外的参数解释如何向函数提供附加参数。
输出参数停止
提供在当前迭代时停止算法的方法。停止
可以有以下值:
假
-算法继续进行下一次迭代。
真正的
—算法在当前迭代结束。
轮询选项控制模式搜索在每次迭代时轮询网格点的方式。
PollMethod
指定算法用于创建网格的模式。每一类直接搜索算法都有两种模式:广义模式搜索(GPS)算法、生成集搜索(GSS)算法和网格自适应直接搜索(MADS)算法。这些模式是积极的基础N积极的基础N+ 1:
的默认模式patternsearch
,“GPSPositiveBasis2N”
,由以下2N向量,N为目标函数的自变量个数。
(1 0 0…0][0 1 0...0] ...[0 0 0...1][–1 0 0...0][0 –1 0...0][0 0 0...–1].
例如,如果优化问题有三个自变量,则模式由以下六个向量组成。
[1 0 0][0 1 0][0 0 1][-1 0 0][0 0 -1][0 0 -1]。
的“GSSPositiveBasis2N”
模式类似于“GPSPositiveBasis2N”
,但调整基向量以考虑线性约束。“GSSPositiveBasis2N”
比“GPSPositiveBasis2N”
当电流点接近线性约束边界时。
的“MADSPositiveBasis2N”
模式由2个组成N随机生成向量,其中N为目标函数的自变量个数。这是通过随机生成来完成的N构成线性无关集合的向量,然后用第一个集合和这个集合的负数得到2N向量。如上所示“GPSPositiveBasis2N”
模式是使用线性独立恒等式的正负组成的,然而,与“MADSPositiveBasis2N”
,模式是使用随机排列生成的N——- - - - - -N线性无关的下三角矩阵,在每次迭代中再生。
的“GPSPositiveBasisNp1”
模式由以下内容组成N+ 1的向量。
(1 0 0…0][0 1 0...0] ...[0 0 0...1][–1 –1 –1...–1].
例如,如果目标函数有三个独立变量,模式由以下四个向量组成。
[1 0 0][0 1 0][0 0 1][1 -1 -1]。
的“GSSPositiveBasisNp1”
模式类似于“GPSPositiveBasisNp1”
,但调整基向量以考虑线性约束。“GSSPositiveBasisNp1”
比“GPSPositiveBasisNp1”
当电流点接近线性约束边界时。
的“MADSPositiveBasisNp1”
模式由N个随机生成的向量组成正基,其中N为目标函数的自变量个数。然后,再生成一个随机向量N加上1个随机生成的向量。每次迭代生成一个新模式“MADSPositiveBasisNp1”
被选中。
为paretosearch
只是,默认“GSSPositiveBasis2Np2”
模式使用GSS2 n
模式,并使用(1 1…1]
和(1 1…1]
模式。
UseCompletePoll
指定是否必须在每次迭代时轮询当前网格中的所有点。UseCompletePoll
可以有值真正的
或假
.
如果你设置UseCompletePoll
来真正的
,算法在每次迭代时轮询网格中的所有点,并在下一次迭代时选择目标函数值最小的点作为当前点。
如果你设置UseCompletePoll
来假
,当算法找到一个目标函数值小于当前点的目标函数值时,算法立即停止轮询。然后,算法将该点设置为下一次迭代的当前点。
为paretosearch
只有,MinPollFraction
选项指定在轮询期间调查的轮询方向的百分比,而不是二进制值UseCompletePoll
.要指定完整的轮询,请设置MinPollFraction
来1
.若要指定民调一旦找到一个可以改进所有目标函数的点就停止,请设置MinPollFraction
来0
.
PollOrderAlgorithm
指定算法在当前网格中搜索点的顺序。选项是
“连续”
(默认)-算法轮询网格点连续顺序,即模式向量的顺序如中所述调查方法.
“随机”
—轮询顺序为随机。
“成功”
—每次迭代的第一个搜索方向是算法在前一次迭代中找到最优点的方向。在第一个点之后,算法以相同的顺序轮询网格点“连续”
.
的paretosearch
解算器主要使用patternsearch
选项。几个可用的内置plot函数是不同的;看到绘图选项.以下选项仅适用于paretosearch
.
在表中,N
表示决策变量的数量。
多目标模式搜索选项
选项 | 定义 | 允许,{ 默认的} 值 |
---|---|---|
ParetoSetSize |
帕累托集合中的点数。 | 正整数|{max(60,目标数量)} |
ParetoSetChangeTolerance |
溶液体积或扩散变化的公差。金宝搏官方网站当这些指标中的任何一个相对变化小于ParetoSetChangeTolerance ,迭代结束。有关详细信息,请参见停止条件. |
积极的标量|{1}的军医 |
MinPollFraction |
要轮询的模式的最小部分。 | 从0到1|的标量{0} |
InitialPoints |
初始点
如果有缺失的条目 |
矩阵 |
的SearchFcn
选项指定算法在轮询之前的每次迭代中可以执行的可选搜索。如果搜索返回一个改进目标函数的点,算法将在下一次迭代时使用该点,并忽略轮询。如果你选择相同SearchFcn
和PollMethod
,只使用Poll方法,尽管当所选选项不同时将使用这两种方法。
的值SearchFcn
下面列出。
[]
,不指定搜索步骤。
任何内置的轮询算法:“GPSPositiveBasis2N”
,“GPSPositiveBasisNp1”
,“GSSPositiveBasis2N”
,“GSSPositiveBasisNp1”
,“MADSPositiveBasis2N”
,或“MADSPositiveBasisNp1”
.
“searchga”
指定使用遗传算法的搜索。你可以使用两个额外的参数修改遗传算法搜索:
选择= optimoptions (“patternsearch”,“SearchFcn”,...{@searchga, iterlim, optionsGA})
iterlim
—指定执行遗传算法搜索的模式搜索的迭代次数的正整数。的默认值iterlim
是1。建议不要更改这个值,因为重复执行这些耗时的搜索不太可能改善结果。
optionsGA
-遗传算法的选项,您可以使用optimoptions
.如果您没有指定任何searchga
选项,然后searchga
使用相同的UseParallel
和UseVectorized
选项设置patternsearch
.
“searchlhs”
指定一个拉丁超立方体搜索。patternsearch
生成搜索的每个点,如下所示。对于每个分量,取向量的随机排列(1、2、…,k)
-兰特(k)
,除以k
.(k
为点数。)这个收益率k
点,每个分量接近均匀间隔。结果点被缩放到适合任何边界。拉丁超立方
使用的默认边界-1
和1
.
的设置决定了搜索的执行方式UseCompleteSearch
选择。
如果你设置UseCompleteSearch
来真正的
,算法通过拉丁超立方搜索轮询每次迭代随机生成的所有点,并选择目标函数值最小的点。
如果你设置UseCompleteSearch
来假
(默认值),算法一旦找到随机生成的目标函数值小于当前点的一个点,就停止轮询,并选择该点进行下一次迭代。
你可以使用两个额外的参数来修改拉丁超立方体搜索:
选择= optimoptions (“patternsearch”,“SearchFcn”,...{@searchlhs iterlim,水平})
iterlim
—指定执行拉丁超立方体搜索的模式搜索的迭代次数的正整数。的默认值iterlim
是1。
水平
- - -水平
点数是多少patternsearch
搜索,一个正整数。的默认值水平
是维数的15倍。
“searchneldermead”
使用以下命令指定搜索fminsearch
它使用的是Nelder-Mead算法。您可以使用两个附加参数修改Nelder-Mead搜索:
选择= optimoptions (“patternsearch”,“SearchFcn”,...{@searchneldermead, iterlim, optionsNM})
iterlim
—指定执行Nelder-Mead搜索的模式搜索的迭代次数的正整数。的默认值iterlim
是1。
optionsNM
——选项fminsearch
,可以使用optimset
函数。
自定义
允许您编写自己的搜索功能。
选择= optimoptions(‘patternsearch’,‘SearchFcn @myfun);
要查看可用于编写自己的搜索函数的模板,请输入
编辑searchfcntemplate
下面介绍搜索函数的结构。
搜索函数必须具有以下调用语法。
function [successSearch,xBest,fBest,funccount] =…searchfcntemplate(有趣,x, A、b Aeq,说真的,磅,乌兰巴托,…optimValues选项)
搜索函数有以下输入参数:
有趣的
——目标函数
x
——当前点
A、b
-线性不等式约束
Aeq,说真的
-线性等式约束
磅,乌兰巴托
—下限和上限约束
optimValues
-结构,使您能够设置搜索选项。该结构包含以下字段:
x
——当前点
fval
-目标函数值为x
迭代
-当前迭代数
funccount
—用户功能评估计数器
规模
-用于缩放设计点的比例因子
problemtype
-传递给搜索例程的标志,表示问题是否存在无约束的
,“boundconstraints”
,或“linearconstraints”
.该领域是非线性约束问题的子问题类型。
meshsize
-当前网格大小使用的搜索步骤
方法
-上次迭代使用的方法
选项
-模式搜索选项
该函数有以下输出参数:
successSearch
-指示搜索是否成功的布尔标识符
xb, fb
-通过搜索方法找到的最佳点和最佳函数值
funccount
—搜索方法中用户功能评估次数
看到搜索和调查了一个例子。
的UseCompleteSearch
选项在设置时应用SearchFcn
来“GPSPositiveBasis2N”
,“GPSPositiveBasisNp1”
,“GSSPositiveBasis2N”
,“GSSPositiveBasisNp1”
,“MADSPositiveBasis2N”
,“MADSPositiveBasisNp1”
,或“searchlhs”
.UseCompleteSearch
可以有值真正的
或假
.
对于投票算法的搜索函数,UseCompleteSearch
与投票选项的意思相同UseCompletePoll
.为了…的意义UseCompleteSearch
有关拉丁超立方体搜索,请参阅“searchlhs”
进入搜索选项.
网格选项控制模式搜索使用的网格。以下选项是可用的。
InitialMeshSize
指定初始网格的大小,即从初始点到网格点的最短向量的长度。InitialMeshSize
必须是正的标量。默认值是1.0
.
MaxMeshSize
指定网格的最大尺寸。当达到最大尺寸时,迭代成功后网格尺寸没有增加。MaxMeshSize
必须为正标量,且仅在选择GPS或GSS算法作为Poll或Search方法时使用。默认值为正
.MADS使用的最大尺寸为1
.
AccelerateMesh
指定当网格大小较小时,是否MeshContractionFactor
乘以0.5
在每次不成功的迭代之后。AccelerateMesh
可以有值真正的
(用加速器)假
(不使用加速器),默认值。AccelerateMesh
适用于GPS和GSS算法。
MeshRotate
只适用于PollMethod
是“GPSPositiveBasisNp1”
或“GSSPositiveBasisNp1”
.MeshRotate
=“上”
指定当网格大小小于的1/100时,网格向量乘以-1MeshTolerance
选项在投票失败后。换句话说,在第一次不成功的轮询后使用小网格尺寸,而不是在方向上轮询e我(单位积极方向)和-Σe我,算法轮询方向-e我和Σe我.MeshRotate
可以有值“关闭”
或“上”
(默认)。
MeshRotate
对于不连续函数特别有用。
当问题有等式约束时,MeshRotate
是禁用的。
ScaleMesh
指定算法是否通过仔细将模式向量乘以与当前点(或者,对于无约束问题,初始点)分量绝对值的对数成比例的常数来缩放网格点。ScaleMesh
可以有值假
或真正的
(默认)。当问题有等式约束时,ScaleMesh
是禁用的。
MeshExpansionFactor
指定在一次成功的轮询之后增加网格大小的因素。默认值为2.0
,这意味着网格的大小乘以2.0
投票成功后。MeshExpansionFactor
必须为正标量,且仅在选择GPS或GSS方法作为Poll或Search方法时使用。麦斯使用一个MeshExpansionFactor
的4.0
.看到网孔的膨胀与收缩为更多的信息。
MeshContractionFactor
指定在不成功的轮询之后减少网格大小的因素。默认值为0.5
,这意味着网格的大小乘以0.5
在一次不成功的投票之后。MeshContractionFactor
必须为正标量,且仅在选择GPS或GSS方法作为Poll或Search方法时使用。麦斯使用一个MeshContractionFactor
的0.25
.看到网孔的膨胀与收缩为更多的信息。
有关惩罚参数的含义,请参见非线性约束求解算法.
InitialPenalty
—非线性约束算法所使用的惩罚参数的初始值。InitialPenalty
必须大于或等于1
,默认值为10
.
PenaltyFactor
-当问题没有解决到要求的精度和约束条件不满足时,增加惩罚参数。PenaltyFactor
必须大于1
,默认值为One hundred.
.
TolBind
指定相对于线性约束从当前点到可行区域边界的距离公差。这意味着TolBind
指定何时激活线性约束。TolBind
不是一个停止的标准。主动线性约束改变了点的模式patternsearch
用于轮询或搜索。的默认值TolBind
是1 e - 3
.
模式搜索算法可以保留它已经轮询过的点的记录,这样它就不必对同一个点进行多次轮询。如果目标函数需要较长的计算时间,缓存选项可以加速算法。为记录这些点而分配的内存称为高速缓存。此选项只适用于确定性目标函数,而不适用于随机目标函数。
缓存
指定是否使用缓存。选项是“上”
和“关闭”
,默认的。当您设置缓存
来“上”
,算法不评估目标函数在任何网格点内CacheTol
缓存中的一个点。
CacheTol
指定一个网格点必须离缓存中的某个点有多近,算法才能忽略轮询它。CacheTol
必须是正的标量。默认值为每股收益
.
CacheSize
指定缓存的大小。CacheSize
必须是正的标量。默认值为1 e4
.
请注意
缓存
当并行运行求解器时,不工作。
看到使用缓存为更多的信息。
停止条件确定导致模式搜索算法停止的原因。模式搜寻使用下列条件:
MeshTolerance
指定网格尺寸的最小公差。当网格尺寸小于时,GPS和GSS算法停止MeshTolerance
.当网格尺寸变得小于时,MADS 2N停止MeshTolerance ^ 2
.当网格尺寸变小时,MADS Np1停止(MeshTolerance /据nVar) ^ 2
,在那里据nVar
元素的个数是多少x0
.的默认值MeshTolerance
是1 e-6
.
MaxIterations
指定算法执行的最大迭代次数。当迭代次数达到时,算法停止MaxIterations
.默认值是独立变量数量的100倍。
MaxFunctionEvaluations
指定目标函数的最大求值次数。如果函数求值次数达到,则算法停止MaxFunctionEvaluations
.默认值为自变量数的2000倍。
MaxTime
指定模式搜索算法在停止前运行的最大时间(以秒为单位)。这还包括模式搜索算法的任何指定暂停时间。
StepTolerance
指定连续两次迭代时当前点之间的最小距离。不适用于MADS轮询。在一次不成功的投票后,如果两个连续点之间的距离小于,算法将停止StepTolerance
并且网格尺寸小于StepTolerance
.默认值为1 e-6
.
FunctionTolerance
指定目标函数的最小容差。不适用于MADS轮询。在一次不成功的轮询之后,如果之前的最佳点上的函数值与当前最佳点上的函数值之间的差小于,算法将停止FunctionTolerance
,如果网格尺寸也小于StepTolerance
.默认值为1 e-6
.
看到设置解决公差了一个例子。
ConstraintTolerance
不用作停止标准。它被用来确定关于非线性约束的可行性。默认值为1 e-6
.
OutputFcn
指定模式搜索算法在每次迭代时调用的函数。用于输出函数文件myfun.m
,设置
选择= optimoptions(‘patternsearch’,‘OutputFcn @myfun);
对于多个输出函数,请输入函数句柄的单元格数组:
选择= optimoptions(‘patternsearch’,‘OutputFcn’,{@myfun1, @myfun2,…});
要查看可用于编写自己的输出函数的模板,请输入
编辑psoutputfcntemplate
在MATLAB®命令提示符。
要在输出函数中传递额外的参数,请使用匿名函数.
你的输出函数必须有以下调用语法:
(停止、选择optchanged) = myfun (optimvalues、期权、旗)
MATLAB传递optimvalues
,选项
,国旗
数据到输出函数,然后输出函数返回停止
,选项
,optchanged
数据。
输出函数有以下输入参数。
optimvalues
-包含关于求解器当前状态信息的结构。该结构包含以下字段:
x
——当前点
迭代
——迭代数
fval
-目标函数值为x
meshsize
-当前的网格尺寸
funccount
—函数计算次数
方法
-上次迭代使用的方法,例如“更新乘数”
或增加惩罚的
对于非线性约束问题,或者“成功的调查”
,细化网格的
,或“成功的搜索”
,可能带有“\旋转”
后缀,表示没有非线性约束的问题
TolFun
-上一次迭代中函数值变化的绝对值
TolX
-变化规范x
在最后一次迭代
nonlinineq
-非线性不等式约束函数值为x
,仅当指定非线性约束函数时显示
nonlineq
-非线性等式约束函数值为x
,仅当指定非线性约束函数时显示
选项
——选项
国旗
-调用输出函数的当前状态。的可能值国旗
是
“init”
——初始化状态
“通路”
——迭代状态
“中断”
-非线性约束问题子问题的迭代
当国旗
是“中断”
的价值optimvalues
字段适用于子问题迭代。
当国旗
是“中断”
,patternsearch
不接受在选项
,忽略了optchanged
.
“完成”
——最终状态
传递额外的参数说明如何向输出函数提供附加参数。
输出函数返回下列参数patternsearch
:
停止
-提供在当前迭代时停止算法的方法。停止
可以有以下值。
假
-算法继续进行下一次迭代。
真正的
—算法在当前迭代结束。
选项
- - - - - -patternsearch
选项。
optchanged
- Boolean标志,表示更改为选项
.改变选项
对于后续的迭代,设置optchanged
来真正的
.
显示
指定模式搜索运行时在命令行显示多少信息。可用的选项有
“最后一次”
(default)—显示停止原因。
“关闭”
或同等“没有”
—无回显信息。
“通路”
—每次迭代都会显示信息。
“诊断”
—每次迭代都会显示信息。此外,诊断程序还列出了一些问题信息和从默认设置更改的选项。
这两个“通路”
和“诊断”
显示如下信息:
Iter
——迭代数
FunEval
-函数计算的累计次数
MeshSize
-当前的网格尺寸
FunVal
-当前点的目标函数值
方法
-当前投票的结果(没有指定非线性约束函数)。对于非线性约束函数,方法
显示子问题解决后使用的更新方法。
马克斯约束
-最大非线性约束违背(仅当指定了非线性约束函数时显示)
可以选择以串行、并行或向量化的方式计算目标函数和约束函数。设置UseVectorized
或UseParallel
选项真正的
使用向量化或并行计算。
请注意
必须设置UseCompletePoll
来真正的
为patternsearch
使用向量化或并行轮询。类似地,组UseCompleteSearch
来真正的
用于向量化或并行搜索。
从R2019a开始,当你设置UseParallel
选项真正的
,patternsearch
内部覆盖UseCompletePoll
设置为真正的
它是平行轮询的。
当UseVectorized
是假
,patternsearch
每次在一个点上调用目标函数,因为它循环通过网格点。(这个假设UseParallel
是其默认值假
.)
UseVectorized
是真正的
,patternsearch
一次调用网格中所有点的目标函数,也就是说,在对目标函数的一次调用中。
如果存在非线性约束,则目标函数和非线性约束都需要矢量化,以便算法以矢量化的方式进行计算。
详细信息和示例请参见向量化目标函数和约束函数.
当UseParallel
是真正的
,patternsearch
使用您建立的并行环境(参见如何在全局优化工具箱中使用并行处理).在命令行,设置“UseParallel”
来假
计算连续。
请注意
不能同时使用向量化和并行计算。如果你设置UseParallel
来真正的
和UseVectorized
来真正的
,patternsearch
以向量化的方式计算目标函数和约束函数,而不是并行计算。
如何评估目标函数和约束函数
假设UseCompletePoll =真正的 |
UseVectorized =假 |
UseVectorized =真正的 |
---|---|---|
UseParallel =假 |
串行 | 矢量化 |
UseParallel =真正的 |
平行 | 矢量化 |
所有算法的选项可用性表
选项 | 描述 | 算法的可用性 |
---|---|---|
AccelerateMesh |
加速网孔收缩。 |
GPS和GSS |
缓存 |
与 请注意
|
所有 |
CacheSize |
缓存的大小,以点数表示。 |
所有 |
CacheTol |
指定当前网格点必须与缓存中的某个点的距离的正标量 |
所有 |
ConstraintTolerance |
非线性约束的公差。 |
所有 |
显示 |
显示到命令窗口的级别。 |
所有 |
FunctionTolerance |
功能值公差。 |
所有 |
InitialMeshSize |
用于模式搜索算法的初始网格大小。 |
所有 |
InitialPenalty |
惩罚参数的初始值。 |
所有 |
MaxFunctionEvaluations |
目标函数求值的最大次数。 |
所有 |
MaxIterations |
最大迭代次数。 |
所有 |
MaxMeshSize |
在轮询/搜索步骤中使用的最大网格大小。 |
GPS和GSS |
MaxTime |
允许优化的总时间(以秒为单位)。还包括模式搜索算法的任何指定暂停时间。 |
所有 |
MeshContractionFactor |
网格收缩因子,当迭代失败时使用。 |
GPS和GSS |
MeshExpansionFactor |
网格扩展因子,迭代成功时对网格进行扩展。 |
GPS和GSS |
MeshRotate |
在声明一个点为最佳点之前,先旋转模式。 |
GPS Np1和GSS Np1 |
MeshTolerance |
网目尺寸公差。 |
所有 |
OutputFcn |
模式搜索在每次迭代时调用的用户指定函数。 |
所有 |
PenaltyFactor |
点球更新参数。 |
所有 |
PlotFcn |
指定要在运行时绘图的函数。 |
所有 |
PlotInterval |
指定每隔一段时间调用绘图函数。 |
所有 |
PollOrderAlgorithm |
查询方向的顺序。 |
GPS和GSS |
PollMethod |
模式搜索中使用的轮询策略。 |
所有 |
ScaleMesh |
自动缩放变量。 |
所有 |
SearchFcn |
指定模式搜索中使用的搜索方法。 |
所有 |
StepTolerance |
自变量的公差。 |
所有 |
TolBind |
用于确定线性约束是否有效的绑定公差。 |
所有 |
UseCompletePoll |
围绕当前迭代完成轮询。评估投票步骤中的所有点。 |
所有 |
UseCompleteSearch |
当搜索方法是轮询方法时,围绕当前迭代完成搜索。计算搜索步骤中的所有点。 |
所有 |
UseParallel |
当 |
所有 |
UseVectorized |
指定目标函数和约束函数是否向量化。 |
所有 |