Matlab学习系列25. 非线性优化
25. 非线性规划
一、有约束非线性规划
若规划问题的目标函数或约束条件中包含非线性函数，则称为非线性规划。
非线性规划的最优解（若存在）可能在其可行域的任一点达到，目前非线性规划还没有适合各种问题的一般解法，各种方法都有其特定的适用范围。
Matlab 中非线性规划的标准形式为
min ()
s. t. ()0 ()0 F x AX b Aeq X beq C X Ceq X ≤?=≤=（线性不等式约束）（线性等式约束）
（非线性不等式约束）
（非线性等式约束 VLB X VUB ≤≤）（有界约束）
Matlab 实现：
[x, fval, exitflag, output, lambda, grad, hessian]
=fmincon(‘fun ’,X0, A,b,Aeq,beq,VLB,VUB,‘nonlcon ’, options) 其中，有些参数同线性规划；
‘fun ’为用M-文件定义的目标函数F(x)；
‘nonlcon ’为用M-文件定义的非线性向量函数[C(x), Ceq(x)]。
例1求解下列非线性规划问题：
22
122122
1212
min ()8
s. t. 2
,0f x x x x x x x x x =++?-≥?+=??≥?
代码：
目标函数（M文件）：
function f=fun1(x)
f=x(1)^2+x(2)^2+8;
非线性约束（M文件）：
function [C,Ceq]=fun2(x)
C=-x(1)^2+x(2); % 非线性约束，若不止1个，则用
C(1),C(2),...
Ceq= x(1)+x(2)^2-2; % 等式约束, 若没有等式约束，可令Ceq=[];
主程序：
x0 = rand(2,1);
VLB = zeros(2,1);
[x,fval,exitflag,output,lambda,grad,hessian] = ...
fmincon('fun1',x0,[],[],[],[],VLB,[],'fun2')
运行结果（部分）：
exitflag = 1优化成功
x = 1.0000
1.0000最优解x
fval= 10.0000目标值f
grad = 2.0000
2.0000
hessian = 1.4338 0.4960
0.4960 0.5902
二、无约束非线性规划
Matlab 中无约束非线性规划的标准形式为：
12
min ()
s. t. f x x x x ≤≤
Matlab 提供了3个不同的函数分别适合不同情形： 1. fminbnd 函数
用于求解定区间上单变量函数的最小值点，调用格式为： [x, fval, exitflag, output] = fminbnd(‘fun ’, x1, x2, options)
其中，fun 为用M-文件定义的目标函数。
2. fminunc 函数
基于梯度的最优化算法，用于求解单变量及多变量函数的最小值，调用格式为：
[x, fval, exitflag, output, lambda, grad, hessian]
= fminunc(‘fun ’, x0, options)
其中，x0为初始值；
options 参数：
LargeScale ，on 或off 设置大型中型优化算法；
HessUpdate ，设置中型优化算法的搜索方向的算法，’bfgs ’（默认）为拟牛顿法的BFGS 公式；’dfp ’为拟牛顿法的DFP 公式；’steepdesc ’为最速下降法；
LineSearchType ，设置中型优化算法的步长一维搜索的两种算
法，’quadcubic ’（默认）为混合的二次和三次多项式插值；’cubicpoly ’为三次多项式插值。
3. fminsearch 函数
是根据Nelder 算法编写的，用于求解多变量函数的极小值，调用格式为：
[x, fval, exitflag, output] = fminbnd(‘fun ’, x0, options)
其中，options 的选项有：
Display ，’off ’不显示输出；’iter ’显示每次迭代信息；’final ’只显示最终结果；
MaxFunEvals ，允许进行函数评价的最大次数； MaxIter ，允许迭代的最大次数； TolX ，变量的容许误差限； TolFun ，函数值的容许误差限。
关于三个函数的说明：
（1）三个函数可能只输出局部最优解；
（2）三个函数均只对变量为实数的问题进行优化； （3）fminunc 函数要求目标函数必须连续。
例2 求解下列函数的极小值：
1 min ||s. t. 31y x x =
-≤≤
代码：
目标函数（M文件）：
function f=fun3(x)
f=1/abs(x);
主程序：
x=linspace(-pi,pi);
y=abs(1./x);
plot(x,y,'r');
grid on
x0=1;
x1=-3; x2=1;
[x,fval,exitflag] = fminbnd('fun3',x1,x2)
[x,fval,exitflag] = fminunc('fun3',x0)
[x,fval,exitflag] = fminsearch('fun3',x0)
运行结果：
x = -2.9999
fval = 0.3333
exitflag = 1
fminbnd函数优化成功，是正确解。
x = 889.4311
fval = 0.0011
exitflag = 1
fminunc函数优化成功，但解是错误的（fminunc的目标函数必须是连续函数，本例目标函数不连续）
x = 6.3383e+28
fval = 1.5777e-29
exitflag = 0
fminsearch 函数优化失败，因为该函数只能求解多变量目标函数。
2. 惩罚函数法
利用惩罚函数法，可将非线性规划问题的求解转化为一系列无约束非线性规划问题。
惩罚函数法求解非线性规划问题，是利用问题中的约束函数做出适当的惩罚函数，由此构造出带参数的增广目标函数，将问题转化为无约束非线性规划问题。下面介绍外惩罚函数法。
求解如下极小值问题：
min ()
s. t. ()0, 1,, ()0, 1,, ()0, 1,,i i i f x g x i r h x i s k x i t
≤=≥===
取一个充分大的数M>0，构造函数
1
1
1
(,)()max{(),0}min{(),0}|()|r
s
t
i i i i i i P x M f x M g x M h x M k x ====+-+∑∑∑
或者用向量表示：
()()(,)()sum(max )sum(min )||()||00G x H x P x M f x M M M K x ????
=+?-?+ ? ?
???? 其中，1()[(),,()]T r G x g x g x = ，1()[(),,()]T s H x h x h x = ，1()[(),,()]T s K x k x k x = 。
则以增广目标函数P(x ,M)为目标函数的无约束极值问题：min P(x ,M) 的最优解x 也是原问题的最优解。
例3求解下列非线性规划问题：
22
122122
12
12 min ()8
s. t. 0 20 ,0
f x x x x x x x x x =++-≥--+=≥
代码：
增广目标函数（M 文件）：
function g=ex25_fun4(x)
M=50000;
f=x(1)^2+x(2)^2+8;
g=f-M*min(x(1)^2-x(2),0)+M*abs(-x(1)-x(2)^2+2)-M*min(x(1),0) - M*min(x(2),0);
主程序：
[x,fval,exitflag] = fminunc('ex25_fun4',rand(2,1))
运行结果： x = 1.0467 0.9764 fval = 10.0489
exitflag = 5（说明重要方向导数小于规定的容许范围并且约束
违背小于options TolCom ）
注：最优解是(1,1), 上述结果也可以接受。另外，初始值的选取不同，会得到不同的局部最优解。
三、二次规划
若非线性规划的目标函数为自变量x 的二次函数，约束条件又全是线性的，就称为二次规划。
Matlab 中的二次规划的标准形式为：
1
min 2
s. t. T T x Hx f x
Ax b
Aeq x beq
+≤?= 其中，H 为实对称矩阵，f, b 为列向量，A 为相应维数的矩阵。
Matlab 实现：
[x,fval,exitflag, output]=quadprog(H,f,A,b,Aeq,beq,LB,UB,x0,options)
例4求解下列二次规划问题：
22
112212
121212 min ()24463s. t. 3 49 ,0
f x x x x x x x x x x x x x =-+--+≤+≤≥
代码：
H=[4,-4;-4,8];
f=[-6;-3]; A=[1,1;4,1]; b=[3;9];
[x,fval,exitflag]=quadprog(H,f,A,b,[],[],zeros(2,1))
运行结果：
x = 1.9500 1.0500 fval = -11.0250 exitflag = 1
四、最小二乘优化
数据拟合时的实际值与拟合值之差，称为残差。拟合效果的好坏，
通常是用残差平方和的大小来刻画的，即以残差平方和为目标函数，求最佳的拟合参数使得目标函数取到极小值。这就是拟合的最小二乘原理。
Matlab实现：lsqcurvefit函数、lsqnonlin函数【参考第13篇：数据插值与拟合】。
matlab优化设计
MATLAB优化设计 学院：机电学院 专业：机械设计制造及其自动化 班级：072&&&-** 学号：20131****** 姓名：大禹 指导老师：祯 2015年10月25日
题目 1 1、求解如下最优化问题 步骤一：对已有的数学模型matlab 编程 1. 编写.m 文件并保存： h=[2 ,-2;-2, 4]; %实对称矩阵 f=[-2;-6]; %列向量 a=[1, 1;-1, 2]; %对应维数矩阵 b=[2;2]; %列向量 lb=zeros(2, 1); [x,value]=quadprog(h, f, a ,b ,[] ,[], lb) 2. 运行.m 文件结果如图1.0所示： subject to 2 21≤+x x 22-21≤+x x 0 21≥x x ，2 2 2121212262)(m in x x x x x x x f +-+--=
图1.0题目一文件运行结果 步骤二：matlab运行结果分析阶段 由图1.0知，当x1=0.8，x2=1.2时，min f (x)= -7.2。 题目 2 2、某农场拟修建一批半球壳顶的圆筒形谷仓，计划每座谷仓容积为300立方米，圆筒半径不得超过3米，高度不得超过10米。半球壳顶的建筑造价为每平方米150元，圆筒仓壁的造价为每平方米120元，地坪造价为每平方米50元，求造价最小的谷仓尺寸为多少？
步骤一：题目分析阶段 设：圆筒的半径为R,圆筒的高度为H 。 谷仓的容积为300立方米，可得： 3003 232=+R H R ππ 圆筒高度不得超过10米，可得： 100≤≤H 圆筒半径不得超过3米，可得： 30≤≤R 当造价最小时： 2225021202150),(m in R H R R H R f πππ+?+?= 步骤二：数学模型建立阶段 2 225021202150),(m in R H R R H R f πππ+?+?=
应用matlab求解约束优化问题
应用matlab求解约束优化问题 姓名：王铎 学号： 2007021271 班级：机械078 上交日期： 2010/7/2 完成日期： 2010/6/29
一．问题分析 f(x)=x1*x2*x3-x1^6+x2^3+x2*x3-x4^2 s.t x1-x2+3x2<=6 x1+45x2+x4=7 x2*x3*x4-50>=0 x2^2+x4^2=14 目标函数为多元约束函数，约束条件既有线性约束又有非线性约束所以应用fmincon函数来寻求优化，寻找函数最小值。由于非线性不等式约束不能用矩阵表示，要用程序表示，所以创建m文件其中写入非线性不等式约束及非线性等式约束，留作引用。 二．数学模型 F(x)为目标函数求最小值 x1 x2 x3 x4 为未知量 目标函数受约束于 x1-x2+3x2<=6 x1+45x2+x4=7 x2*x3*x4-50>=0 x2^2+x4^2=14 三．fmincon应用方法 这个函数的基本形式为 x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon，options) 其中fun为你要求最小值的函数，可以单写一个文件设置函数，也可是m文件。 1.如果fun中有N个变量，如x y z, 或者是X1, X2,X3, 什么的，自己排个顺序，在fun中统一都是用x(1),x(2）....x(n) 表示的。 2. x0, 表示初始的猜测值，大小要与变量数目相同 3. A b 为线性不等约束，A*x <= b， A应为n*n阶矩阵。 4 Aeq beq为线性相等约束，Aeq*x = beq。 Aeq beq同上可求 5 lb ub为变量的上下边界，正负无穷用 -Inf和Inf表示， lb ub应为N阶数组 6 nonlcon 为非线性约束，可分为两部分，非线性不等约束 c，非线性相等约束，ceq 可按下面的例子设置 function [c,ceq] = nonlcon1(x) c = [] ceq = [] 7，最后是options，可以用OPTIMSET函数设置，具体可见OPTIMSET函数的帮助文件。 四．计算程序
基于MATLAB的优化设计
基于MATLAB的曲柄摇杆机构优化设计 1.问题的提出 根据机械的用途和性能要求的不同，对连杆机构设计的要求是多种多样的，但这些设计要求可归纳为以下三种问题：（1）满足预定的运动规律要求；（2）满足预定的连杆位置要求；（3）满足预定的轨迹要求。在在第一个问题 里按照期望函数设计的思想，要求曲柄摇杆机构的曲柄与摇杆转角之间按照φ=f(?)（称为期望函数）的关系实现运动，由于机构的待定参数较少，故一 般不能准确实现该期望函数，设实际的函数为φ=F(?)（称为再现函数），而再 现函数一般是与期望函数不一致的，因此在设计时应使机构再现函数φ=F(?) 尽可能逼近所要求的期望函数φ=f(?)。这时需按机械优化设计方法来设计曲 柄连杆，建立优化数学模型，研究并提出其优化求解算法，并应用于优化模型的求解，求解得到更优的设计参数。 2.曲柄摇杆机构的设计 在图1所示的曲柄摇杆机构中，l1、l2、l3、l4分别是曲柄AB、连杆BC、摇杆CD和机架AD的长度。这里规定?0为摇杆在右极限位置φ0时的曲柄起始 位置角，它们由l1、l2、l3和l4确定。 图1曲柄摇杆机构简图 设计时，可在给定最大和最小传动角的前提下，当曲柄从?0转到?0+90?时，要求摇杆的输出角最优地实现一个给定的运动规律f(?)。这里假设要求： (?-?0)2（1）φE=f(?)=φ0+2 3π
s=30；qb=1；jj=5；fx=0； fa0=acos（（（qb+x（1））^2-x（2）^2+jj^2）/（2*（qb+x（1））*jj））； %曲柄初始角 pu0=acos（（（qb+x（1））^2-x（2）^2-jj^2）/（2*x（2）*jj））；%摇杆初始角for i=1:s fai=fa0+0.5*pi*i/s； pui=pu0+2*（fai-fa0）^2?（3*pi）； ri=sqrt（qb^2+jj^2-2*qb*jj*cos（fai））； alfi=acos（（ri^2+x（2）^2-x（1）^2）/（2*ri*x（2）））； bati=acos（（ri^2+jj^2-qb^2）（/2*ri*jj））； if fai>0&fai<=pi psi=pi-alfi-bati; elseif fai>pi&fai<=2*pi psi=pi-alfi+bati； end fx=fx+（pui-psi）^2； end f=fx； （2）编写非线性约束函数M文件confun.m function［c，ceq］=confun（x）； qb=1；jj=5；m=45*pi/180；n=135*pi/180； c（1）=x（1）^2+x（2）^2-（jj-qb）^2-2*x（1）*x（2）*cos（m）； %最小传动角约束c（2）=-x（1）^2-x（2）^2+（jj+qb）^2+2*x（1）*x（2）*cos（n）； %最大传动角约束ceq=［］； （3）在MATLAB命令窗口调用优化程序 x0=［6；4］； lb=［1；1］； ub=［］； %线性不等式约束 a=［-1-1；1-1；-11］；b=［-6；4；4］；［x，fn］=fmincon（@optimfun， x0，a，b，［］，［］，lb，ub，@confun）； （4）运行结果
利用Matlab求解机械设计优化问题的分析
利用MATLAB求解机械设计优化问题的分析 周婷婷 (能源与动力学院,油气0701) 摘要：MATLAB是目前国际上最流行的科学与工程计算的软件工具, 它具有强大的数值分析、矩阵运算、信号处理、图形显示、模拟仿真和最优化设计等功能。本文浅谈MATLAB在机械设计优化问题的几点应用。 关键词：MATLAB 约束条件机械设计优化 引言：在线性规划和非线性规划等领域经常遇到求函数极值等最优化问题，当函数或约束条件复杂到一定程度时就无法求解，而只能求助于极值分析算法，如果借助计算器进行手工计算的话，计算量会很大，如果要求遇到求解极值问题的每个人都去用BASIC,C和FORTRAN之类的高级语言编写一套程序的话，那是非一朝一日可以解决的，但如用MATLAB语言实现极值问题的数值解算，就可以避免计算量过大和编程难的两大难题，可以轻松高效地得到极值问题的数值解，而且可以达到足够的精度。 1无约束条件的极值问题的解算方法 设有Rosenbrock函数如下： f(X1,X2)=100(X2-X1*X1)2+(1-X1)2 求向量X取何值时，F(x)的值最小及最小值是多少？ 先用MATLAB语言的编辑器编写求解该问题的程序如下： %把函数写成MATLAB语言表达式 fun=’100*(X(2)-X(1)*X(1)2+(1-X(1))2 %猜自变量的初值 X0=[-1 2]; %所有选项取默认值 options=[ ]； %调用最优化函数进行计算。 %函数最小值存放在数组元素options(8)中
%与极值点对应的自变量值存放在向量X里 %计算步数存放在数组元素options(10)中 [X,options]=fmins(fun,X0,options)； %显示与极值点对应的自变向量X的值。 %显示函数最小值 options(8) %显示函数计算步数 options(10) 把上面这段程序保存为m文件，然后用“Tools”菜单中的“Run”命令行这段程序，就可以轻松的得到如下结果： X=9.999908938395383e-001 9.99982742178110e-001 ans=1.706171071794760e-001 ans=195 显然，计算结果与理论结果的误差小到e-10级,这里调用了MATLAB的最优化函数fmins(),它采用Nelder-Mead的单纯形算法，就是因为这个函数的采用，使最小值问题的解算变得非常简单。 2.带约束条件的极值问题的解法 设目标函数和约束条件如下: f(x) =-3X1+X2+X3 -X1+2X2-X3>= -11 4X1-X2-2X3<=-3 2X1-X3= -1 X1>=0,X2>=0，X3>=0; 求X向量取何值时函数取极小值？ 对条件极值问题通常的做法都是将约束条件标准化（即把等式约束条件写成等号为0的形式，把不等式写成<=0的形式）。然后把条件极值问题转换为非条件极值问题，MATLAB也采用同样的做法。
matlab 无约束优化问题
实验八 无约束优化问题 一.实验目的 掌握应用matlab 求解无约束最优化问题的方法 二.实验原理及方法 1：标准形式： 元函数 为其中n R R f X f n R x n →∈:) (min 2．无约束优化问题的基本算法一．最速下降法（共轭梯度法）算法步骤：⑴ 给定初始点 n E X ∈0，允许误差0>ε,令k=0； ⑵ 计算() k X f ?； ⑶ 检验是否满足收敛性的判别准则： () ε≤?k X f ， 若满足，则停止迭代，得点k X X ≈*，否则进行⑷； ⑷ 令() k k X f S -?=，从k X 出发，沿k S 进行一维搜索， 即求k λ使得： ()() k k k k k S X f S X f λλλ+=+≥0 min ； ⑸ 令k k k k S X X λ+=+1，k=k+1返回⑵. 最速下降法是一种最基本的算法，它在最优化方法中占有重要地位.最速下降法的优点是工作量小，存储变量较少,初始点要求不高；缺点是收敛慢，最速下降法适用于寻优过程的前期迭代或作为间插步骤，当接近极值点时，宜选用别种收敛快的算法.．牛顿法算法步骤： (1) 选定初始点n E X ∈0，给定允许误差0>ε，令k=0； (2) 求()k X f ?,()() 1 2-?k X f ,检验：若() ε
机械优化设计MATLAB程序文件
机械优化设计作业1.用二次插值法求函数()()()22 ?极小值，精度e=0.01。 t t =t 1- + 在MATLAB的M文件编辑器中编写的M文件，如下： f=inline('(t+1)*(t-2)^2','t') a=0;b=3;epsilon=0.01; t1=a;f1=f(t1); t3=b;f3=f(t3); t2=0.5*(t1+t3);f2=f(t2); c1=(f3-f1)/(t3-t1); c2=((f2-f1)/(t2-t1)-c1)/(t2-t3); t4=0.5*(t1+t3-c1/c2);f4=f(t4); k=0; while(abs(t4-t2)>=epsilon) if t2
运行结果如下： 迭代计算k= 7 极小点坐标t= 2 函数值f=0.0001 2.用黄金分割法求函数()32321+-=t t t ?的极小值，精度e=0.01。 在MATLAB 的M 文件编辑器中编写的M 文件，如下： f=inline('t^(2/3)-(t^2+1)^(1/3)','t'); a=0;b=3;epsilon=0.01; t1=b-0.618*(b-a);f1=f(t1); t2=a+0.618*(b-a);f2=f(t2); k=1; while abs(b-a)>=epsilon if f1 运行环境：Windows+MATLAB 解决问题：线性规划问题（特定题目） 实验简述： MATLAB 可以高效、方便地解决线性规划问题。线性规划是合理利用、调配资源的一种应用数学的方法。它的基本思路就是在满足一定的约束条件下,使预定的目标达到最优。它的研究内容可归纳为两个方面：一是系统的任务已定,如何合理筹划,精细安排，用最少的资源去实现这个任务：二是资源的数量已定,如何利用、分配,使任务完成得最多。前者是求极小，后者是求极大。线性规划是在满足企业内、外部的条件下,实现管理目标和极值问题，就是要以尽少的资源输入来实现更多的社会需要的产品的产出。现在通过专门的数学MATLAB 软件，只要将模型中的目标函数系数、约束条件系数、不等关系输入计算机,就会很快算出结果。 在生活实践中，很多重要的实际问题都是线性的（至少能够用线性函数很好的近似表示），所以我们一般把这些问题化为线性的目标函数和约束条件进行分析，通常将目标函数和约束都是线性表达式的规划问题称为线性规划。 它的一般形式是： ) ,,2,1(0. .min 221122222121112121112211n i x b x a x a x a b x a x a x a b x a x a x a t s x c x c x c f i m n mn m m n n n n n n =>=???????<=+++<=+++<=++++++= 也可以用矩阵形式来表示： 0,..min >=<==x b Ax t s x c f T 线性规划的可行解是满足约束条件的解；线性规划的最优解是使目标函数达到最优的可行解。 线性规划关于解的情况可以是： 1、无可行解，即不存在满足约束条件的解； 2、有唯一最优解，即在可行解中有唯一的最有解； 3、有无穷最优解，即在可行解中有无穷个解都可使目标函数达到最优； 4、有可行解，但由于目标函数值无界而无最优解。 一般求解线性规划的常用方法是单纯形法和改进的单纯形法，这类方法的基 机械优化设计在matlab中的应用 东南大学机械工程学院** 一优化设计目的： 在生活和工作中，人们对于同一个问题往往会提出多个解决方案，并通过各方面的论证从中提取最佳方案。最优化方法就是专门研究如何从多个方案中科学合理地提取出最佳方案的科学。由于优化问题无所不在，目前最优化方法的应用和研究已经深入到了生产和科研的各个领域，如土木工程、机械工程、化学工程、运输调度、生产控制、经济规划、经济管理等，并取得了显著的经济效益和社会效益。 " 二优化设计步骤： 1.机械优化设计的全过程一般可以分为如下几个步骤： 1)建立优化设计的数学模型； 2)选择适当的优化方法； 3)编写计算机程序； : 4)准备必要的初始数据并伤及计算； 5)对计算机求得的结果进行必要的分析。 其中建立优化设计数学模型是首要的和关键的一步，它是取得正确结果的前提。优化方法的选取取决于数学模型的特点，例如优化问题规模的大小，目标函数和约束函数的性态以及计算精度等。在比较各种可供选用的优化方法时，需要考虑的一个重要因素是计算机执行这些程序所花费的时间和费用，也即计算效率。 2.建立数学模型的基本原则与步骤 ①设计变量的确定； — 设计变量是指在优化设计的过程中，不断进行修改，调整，一直处于变化的参数称为设计变量。设计变量的全体实际上是一组变量，可用一个列向量表示： x=。 ②目标函数的建立； 选择目标函数是整个优化设计过程中最重要的决策之一。当对某以设计性能有特定的要求，而这个要求有很难满足时，则针对这一性能进行优化会得到满意的效果。目标函数是设计变量的函数，是一项设计所追求的指标的数学反映，因此它能够用来评价设计的优劣。 目标函数的一般表达式为： 。 f(x)=，要根据实际的设计要求来设计目标函数。 ③约束条件的确定。 一个可行性设计必须满足某些设计限制条件，这些限制条件称为约束条件，简称约束。 由若干个约束条件构成目标函数的可行域，而可行域内的所有设计点都是满足设计要求的，一般情况下，其设计可行域可表示为 §15. 利用Matlab求解线性规划问题 线性规划是一种优化方法，Matlab优化工具箱中有现成函数linprog对如下式描述的LP问题求解： % min f'x % s.t .(约束条件)：Ax<=b % (等式约束条件)：Aeqx=beq % lb<=x<=ub linprog函数的调用格式如下： x=linprog(f,A,b) x=linprog(f,A,b,Aeq,beq) x=linprog(f,A,b,Aeq,beq,lb,ub) x=linprog(f,A,b,Aeq,beq,lb,ub,x0) x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) [x,fval]=linprog(…) [x, fval, exitflag]=linprog(…) [x, fval, exitflag, output]=linprog(…) [x, fval, exitflag, output, lambda]=linprog(…) 其中： x=linprog(f,A,b)返回值x为最优解向量。 x=linprog(f,A,b,Aeq,beq) 作有等式约束的问题。若没有不等式约束，则令 111 A=[ ]、b=[ ] 。 x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) 中lb ,ub为变量x的下界和上界，x0为初值点，options为指定优化参数进行最小化。 Options的参数描述： Display显示水平。选择’off’ 不显示输出；选择’I ter’显示每一步迭代过程的输出；选择’final’ 显示最终结果。 MaxFunEvals 函数评价的最大允许次数 Maxiter 最大允许迭代次数 TolX x处的终止容限 [x,fval]=linprog(…) 左端fval 返回解x处的目标函数值。 [x,fval,exitflag,output,lambda]=linprog(f,A,b, Aeq,beq,lb,ub,x0) 的输出部分： exitflag描述函数计算的退出条件：若为正值，表示目标函数收敛于解x 处；若为负值，表示目标函数不收敛；若为零值，表示已经达到函数评价或迭代的最大次数。 output 返回优化信息：output.iterations表示迭代次数；output.algorithm表示所采用的算法；outprt.funcCount表示函数评价次数。 lambda返回x处的拉格朗日乘子。它有以下属性： lambda.lower-lambda的下界； lambda.upper-lambda的上界； lambda.ineqlin-lambda的线性不等式； lambda.eqlin-lambda的线性等式。 112 优化设计 无约束优化 min f(x)= 21x +22x -21x 2x -41x 初选x0=[1,1] 程序： Step 1: Write an M-file objfun1.m. function f1=objfun1(x) f1=x(1)^2+2*x(2)^2-2*x(1)*x(2)-4*x(1); Step 2: Invoke one of the unconstrained optimization routines x0=[1,1]; >> options = optimset('LargeScale','off'); >> [x,fval,exitflag,output] = fminunc(@objfun1,x0,options) 运行结果： x = 4.0000 2.0000 fval = -8.0000 exitflag = 1 output = iterations: 3 funcCount: 12 stepsize: 1 firstorderopt: 2.3842e-007 algorithm: 'medium-scale: Quasi-Newton line search' message: [1x85 char] 非线性有约束优化 1. Min f(x)=321x +2 2x +21x -32x +5 Subject to: 1g (x)=1x +2x +18≤0 2g (x)=51x -32x -25≤0 3g (x)=131x -412 2x 0≤ 4g (x)=14≤1x 130≤ 5g (x)=2≤2x 57≤ 初选x0=[10,10] Step 1: Write an M-file objfun2.m function f2=objfun2(x) f2=3*x(1)^2+x(2)^2+2*x(1)-3*x(2)+5; Step 2: Write an M-file confun1.m for the constraints. function [c,ceq]=confun1(x) % Nonlinear inequality constraints c=[x(1)+x(2)+18; 5*x(1)-3*x(2)-25; 13*x(1)-41*x(2)^2; 14-x(1); x(1)-130; 2-x(2); x(2)-57]; % Nonlinear inequality constraints ceq=[]; Step 3: Invoke constrained optimization routine x0=[10,10]; % Make a starting guess at the solution >> options = optimset('LargeScale','off'); >> [x, fval] = ... fmincon(@objfun2,x0,[],[],[],[],[],[],@confun1,options) 运行结果： x = 3.6755 -7.0744 fval = 124.1495 MATLAB第12章工程优化设计实例 第12章工程优化设讣实例优化设讣的数学模型 优化设讣的数学模型是描述实际优化问题的设计内容、变量关系、有关设计条件和意图的数学表达式，它反映了物理现象各主要因素的内在联系，是进行优化设计的基础。优化设计数学模型的三大要素： ?设计变量 ?约束条件 ? LI标函数 1.设计变量 一个设计方案可以用一组基本参数的数值来表示，这些基本参数可以是构件尺寸等儿何量，也可以是质量等物理量，还可以是应力、变形等表示丄作性能的导出量。设计变量:在设讣过程中进行选择并最终必须确定的各项独立的基本参数，乂叫做优化参数。 设计变量的全体实际上是一组变量，可用一个列向量表示 2.约束条件 设计空间是所有设计方案的集合,但这些设计方案有些是工程上所不能接受 的。如一个设计满足所有对它提出的要求，就称为可行设计。 一个可行设讣必须满足某些设讣限制条件，这些限制条件称作约束条件,简称约 束。3.目标函数 为了对设计进行定量评价，必须构造包含设讣变量的评价函数，它是优化的口标, 称为LI标函数，以F(X)表示。 FxFxxx ()(),, , , 12n 在优化过程中，通过设计变量的不断向F(X)值改善的方向自动调整，最后求得 F(X)值最好或最满意的X值。在构造LI标函数时,应注意：訂标函数必须包含全部设计变量，所有的设计变量必须包含在约束函数中。 模型输入时需要注意的问题 使用优化工具箱时，山于优化函数要求口标函数和约束条件满足一定的格式，所以需要用户在进行模型输入时注意以下儿个问题： 1.目标函数最小化 优化函数 fminbnd、fminsearchx fminunc、fmincon、fgoalattdin、fminmax 和1 sqnonlin都要求LI标函数最小化，如果优化问题要求LI标函数最大化，可以通过使该LI标函数的负值最小化即-f(x)最小化来实现。近似地，对于quadprog函数提供-H 和-f,对于1 inprog函数提供-f。 2.约束非正 优化工具箱要求非线性不等式约束的形式为Ci(x)?0,通过对不等式取负可以达到使大于零的约束形式变为小于零的不等式约束形式的U的，如Ci (x)?0形式的约束等价于- Ci(x)?0;Ci(x)?b形式的约束等价于- Ci(x)+b?0。 3.避免使用全局变量 Fmincon是mat lab最主要内置的求解约束最优化的函数，该函数的优化问题的标准形式为：1.数学模型标准形式： min f , X, s. t. AX?b ,线性不等式约束， AeqX二beq ,线性等式约束， C(X)?0 ,非线性不等式约束条件， 优化计算MATLAB程序 首先，将目标函数写成M文件，其程序语句如下； function f = fun (x) global K L thetamax alpha for i=1:61 f = 0 betae = atan(tan(alpha(i)/(1-(K/L)*tan(alpha(i)))); A(i)=2*x(1).^2*sin(x(2)+alpha(i)); B(i)=2*K*x(1)-2*x(1).^2*cos(x(2)+alpha(i)); C(i)=2*x(1).^2-4*x(1).^2*(cos(x(2)).^2+4*K*x(1)*cos(x(2))-2*K*x(1)* cos(x(2)+alpha(i)); theta3(i)= 2*acot((A(i)+sqrt(A(i).^2+B(i).^2-C(i).^2))/(B(i)+C(i))); beta(i)=x(2)+theta3(i)-pi; if alpha(i)<=pi/18 f(i)=1.5*abs(beta(i)-betae3(i)); elseif alpha>=pi/18,alpha(i)<=pi/9;f(i)=abs(betaa(i)-betae3(i)); elsef(i)=0.5*abs(beta(i)-betae3(i)); global K L thetamax alpha K=input L=input thetamax=input x0(1)=input x0(2)=input thetamax = thetamax*pi/180; x0(2)=x0(2)*pi/180;lb(1)=0.17K; lb(2)=0.17*K; ub(1)=acot(K/(1.2*L））ub(2)=pi/2; alpha=linspace (0, theamax ,61); lb=[lb(1),lb(2)]; ub=[ub(1),ub(2)];x(0)=[x0(1),x0(2)]; options = optimset ( ‘TolFun’,‘le-10’,‘TolCon’,‘le-6’) [x,resnorm] = lsqnonlin(‘fun’,x0,lb,ub,options) g lobal K L thetamax alpha K = input L= input thetamax= input x ( 1) = input x ( 2) = input thetamax = thetamax * pi/ 180; x ( 2) = x ( 2) * pi/ 180; alpha= linspace( 0, thetamax , 61) ; fo r i= 1∶61 betae= atan( tan( alpha( i) ) / (( 1- K/ L) * tan( alpha( i) ) ) ) ; A ( i) = 2* ( x ( 1) ) .∧2* sin ( x ( 2) + alpha( i) ) ; B( i) = 2* K* x( 1) - 2* ( x ( 1) ) . ∧2* cos( x( 2) + alpha( i) ) ) ; 基于MATLAB 的曲柄摇杆机构优化设计 1. 问题的提出 根据机械的用途和性能要求的不同，对连杆机构设计的要求是多种多样的，但这些设计要求可归纳为以下三种问题：（1）满足预定的运动规律要求；（2）满足预定的连杆位置要求；（3）满足预定的轨迹要求。在在第一个问题里按照期望函数设计的思想，要求曲柄摇杆机构的曲柄与摇杆转角之间按照()f φ?=（称为期望函数）的关系实现运动，由于机构的待定参数较少，故一般不能准确实现该期望函数，设实际的函数为()F φ?=（称为再现函数），而再现函数一般是与期望函数不一致的，因此在设计时应使机构再现函数()F φ?=尽可能逼近所要求的期望函数()f φ?=。这时需按机械优化设计方法来设计曲柄连杆，建立优化数学模型，研究并提出其优化求解算法，并应用于优化模型的求解，求解得到更优的设计参数。 2. 曲柄摇杆机构的设计 在图 1 所示的曲柄摇杆机构中，1l 、2l 、3l 、 4l 分别是曲柄AB 、连杆BC 、摇杆CD 和机架AD 的长度。这里规定0?为摇杆在右极限位置0φ时的曲柄起始位置角，它们由1l 、2l 、3l 和4l 确定。 图1 曲柄摇杆机构简图 设计时，可在给定最大和最小传动角的前提下，当曲柄从0?转到090??+时，要求摇杆的输出角最优地实现一个给定的运动规律()f ?。这里假设要求： ()()2 0023E f φ?φ??π ==+ - （1） 对于这样的设计问题，可以取机构的期望输出角()E f φ?=和实际输出角 ()F φ?=的平方误差之和作为目标函数，使得它的值达到最小。 2.1 设计变量的确定 决定机构尺寸的各杆长度1l 、2l 、3l 和4l ，以及当摇杆按已知运动规律开始运行时，曲柄所处的位置角0?应列为设计变量，即: []12340T x l l l l ?= (2) 考虑到机构的杆长按比例变化时，不会改变其运动规律，通常设定曲柄长度 1l =1.0，在这里可给定4l =5.0，其他杆长则按比例取为1l 的倍数。若取曲柄的初始 位置角为极位角，则?及相应的摇杆l 位置角φ均为杆长的函数，其关系式为: ()()()()222221243230124225arccos 210l l l l l l l l l l l l ?????++-+-+==????++???????? （3） ()()22222124323034325arccos 210l l l l l l l l l l ????? +--+--==???????????? （4） 因此，只有2l 、3l 为独立变量，则设计变量为[][]2312T T x l l x x ==。 2.2目标函数的建立 目标函数可根据已知的运动规律与机构实际运动规律之间的偏差最小为指标来建立，即： ()()2 1min m Ei i i f x φφ==-→∑ （5） 式中，Ei φ-期望输出角；m -输出角的等分数；i φ-实际输出角，由图 1 可知： ()()02i i i i i i i παβ?πφπαβπ?π--≤≤??=?-+≤≤?? (6) 式中，222222322132arccos arccos 22i i i i i r l l r x x rl r x α???? +-+-== ? ????? (7) 222241424arccos arccos 210i i i i i r l l r rl r β???? +-+== ? ????? (8) i r == (9) 2.3约束条件 m a t l a b在优化设计中的 应用 The Standardization Office was revised on the afternoon of December 13, 2020 Matlab 在优化设计中的应用 摘 要 常见的优化问题包括线性规划、无约束优化、约束优化、最下二乘优化、多目标规划等。本文研究了matlab 在这些常见优化问题中的应用及求解。 在进行研究本课题之前，我们先通过网络、电子书刊等各种有效渠道获取我们所需信息，在充分了解与熟练掌握了各种优化问题的具体特点及性质后，我们给出了关于如何用matlab 进行多类优化问题的求解基本方法，在此前提下，为了体现该软件在这些优化领域的实际应用效果，我们结合若干个优化问题的实例进行分析、建模、以及运用matlab 编程求解，在求解过程中，通过得到的精确数据和反应结果的图例，我们了解到matlab 工具箱的功能强大，是处理优化问题的非常方便的编程工具。 关键词：matlab 优化问题 二、基本概念 线性规划 线性规划是优化的一个重要分支。它在理论和算法上都比较成熟，在实际中有广泛的应用。例如数学表达形式： ???? ? ??? ?=≥=+++=+++=++++++n i x b x a x a x a b x a x a x a b x a x a x a t s x c x c x c i m n mn m m n n n n n n ,,2,1,0..min 221 122222121112121112211 在MTLAB 提供的优化工具箱中，解决规划的命令是linprog ,它的调用格式如下， ),,(b A c linprog x = 求解下列形式的线性规划： ?? ?≤b Ax t s x c T ..min ),,,,(beq Aeq b A c linprog x = 求解下面形式的线性规划： ?? ? ? ????=?≤beq x Aeq b Ax t s x c T ..min 若没有不等式约束b Ax ≤，则只需命令 [][],==b A 。 ),,,,,,(ub lb beq Aeq b A c linprog x = 求解下面形式的线性规划： ??? ?????? ? ??≤≤=?≤ub x lb beq x Aeq b Ax t s x c T ..min 若没有不等式约束b Ax ≤，则只需令[][],==b A ；若只有下界约束，则可以不用输入 ub 。 无约束优化算法 对于无约束优化问题，已经有许多有效的算法。这些算法基本都是迭代法，它们都遵循下面的步骤： ① 选取初始点x 0 ，一般来说初始点越靠近最优解越好； MATLAB 函数在优化问题中的应用 §1 线性规划模型 一、线性规划课题： 实例1：生产计划问题 假设某厂计划生产甲、乙两种产品，现库存主要材料有A类3600公斤，B类2000公斤，C类3000公斤。每件甲产品需用材料A类9公斤，B类4公斤，C类3公斤。每件乙产品，需用材料A类4公斤，B类5公斤，C类10公斤。甲单位产品的利润70元，乙单位产品的利润120元。问如何安排生产，才能使该厂所获的利润最大。 建立数学模型： 设x1、x2分别为生产甲、乙产品的件数。f为该厂所获总润。 max f=70x1+120x2 s.t 9x1+4x2≤3600 4x1+5x2≤2000 3x1+10x2≤3000 x1,x2≥0 实例2：投资问题 某公司有一批资金用于4个工程项目的投资，其投资各项目时所得的净收益(投入资金锪百分比)如下表： 工程项目收益表 由于某种原因，决定用于项目A的投资不大于其他各项投资之和而用于项目B和C的投资要大于项目D的投资。试确定全文该公司收益最大的投资分配方案。 建立数学模型： 设x 1、 x 2 、x 3 、x 4分别代表用于项目A 、B 、C 、D 的投资百分数。 max f=0.15x 1+0.1x 2+0.08 x 3+0.12 x 4 s.t x 1-x 2- x 3- x 4≤0 x 2+ x 3- x 4≥0 x 1+x 2+x 3+ x 4=1 x j ≥0 j=1,2,3,4 实例3：运输问题 有A 、B 、C 三个食品加工厂，负责供给甲、乙、丙、丁四个市场。三个厂每天生产食品箱数上限如下表： 四个市场每天的需求量如下表： 从各厂运到各市场的运输费(元/每箱)由下表给出： 200变量优化 原创 问题： 某超市有十个收银台，分别标号为1，2，3，4，5，6，7，8，9，10。已知该十个收银台平均每收取100元所需时间为t=[2，1，1，2 ，3，2，2，1，1，3]（单位为分钟）。现有顾客20名，已知该20名顾客购物金额分别为p=[1，2，3，4，4，3，1，1，4，1，2，3，4，2，5，4，3，2，1，2]（单位为百元）。现已知每个收银台同时最多容纳10名顾客。问如何安排可使总收银时间最少？并求出最小时间值。 数学模型： 建立一个10×20的矩阵A ， 令矩阵A 的元素：x(k)=A[i,j]=?? ?号收银台号顾客不选，号收银台号顾客选，j 0j i 1i 则，目标函数为： Min(Z)= [2，1，1，2 ，3，2，2，1，1，3]A [1,2,3，4，4，3，1，1，4，1，2，3，4，2，5，4，3，2，1，2]T 不等式约束条件： ∑=20 1)(k k x 10≤; ;10)(40 21≤∑=k k x ;10)(6041 ≤∑=k k x 10)(8061≤∑=k k x ;10)(200 181≤∑=k k x 等式约束条件： x(1)+x(21)+x(41)+x(61)+ +x(161)+x(181)=1； x(2)+x(22)+x(42)+x(62)+ +x(162)+x(182)=1； x(3)+x(23)+x(43)+x(63)+ +x(163)+x(183)=1； x(4)+x(24)+x(44)+x(64)+ +x(164)+x(184)=1； x(19)+x(39)+x(59)+x(79)+ +x(179)+x(199)=1； x(20)+x(40)+x(60)+x(80)+ +x(180)+x(200)=1；MATLAB计算程序： f=[2 4 6 8 8 6 2 2 8 2 4 6 8 4 10 8 6 4 2 4 ... 1 2 3 4 4 3 1 1 4 1 2 3 4 2 5 4 3 2 1 2 ... 1 2 3 4 4 3 1 1 4 1 2 3 4 2 5 4 3 2 1 2 ... 2 4 6 8 8 6 2 2 8 2 4 6 8 4 10 8 6 4 2 4 ... 3 6 9 12 12 9 3 3 12 3 6 9 12 6 15 12 9 6 3 6 ... 2 4 6 8 8 6 2 2 8 2 4 6 8 4 10 8 6 4 2 4 ... 2 4 6 8 8 6 2 2 8 2 4 6 8 4 10 8 6 4 2 4 ... 1 2 3 4 4 3 1 1 4 1 2 3 4 2 5 4 3 2 1 2 ... 1 2 3 4 4 3 1 1 4 1 2 3 4 2 5 4 3 2 1 2 ... 3 6 9 12 12 9 3 3 12 3 6 9 12 6 15 12 9 6 3 6]; a=zeros(10,200); for i=1:10 for j=1:200 if j>20*(i-1) & j<=20*i a(i,j)=1; else a(i,j)=0; end end end b=[10 10 10 10 10 10 10 10 10 10]; aeq=zeros(20,200); for i=1:20 for j=i:20:200 aeq(i,j)=1; endMATLAB解决线性规划问题
matlab(四连杆优化设计)
用MATLAB求解规划问题
(完整word版)优化设计Matlab编程作业
MATLAB第12章工程优化设计实例
转向梯形优化设计matlab程序
简述基于MATLAB的优化设计
matlab在优化设计中的应用
MATLAB 函数解优化问题
用matlab求解200变量优化问题
- 最优化方法及其Matlab程序设计
- 用Matlab解无约束优化问题+
- 最优化问题的matlab求解
- 利用Matlab求解机械设计优化问题的分析
- (完整word版)Matlab求解优化问题
- 最优化方法地Matlab实现(公式(完整版))
- 最优化问题的matlab求解
- 优化问题的MATLAB求解共37页
- 最优化问题的MATLAB求解
- Matlab最优化计算方法
- 目标规划模型及一些优化问题和Matlab求解
- 优化问题的MATLAB求解
- 目标规划模型与一些优化问题的Matlab求解
- 线性规划问题Matlab求解
- 用MATLAB求解优化问题
- 最新matlab求解非线性优化问题
- 应用MATLAB求解约束优化问题
- Matlab优化(求极值)
- 第10章__Matlab在最优化问题中的应用
- 第6章 MATLAB解方程与最优化问题求解