Оценка сетки целей оптимизации и ограничения
Y = gridEvaluate(optimstore, X) Y = gridEvaluate(optimstore, X, objconname) Y = gridEvaluate(optimstore, X, objconname, datasetname) Y = gridEvaluate(optimstore, X, objconname, datasetname, rowind)
Метод cgoptimstore.
Y = gridEvaluate(optimstore, X) оценивает все цели и ограничения в точках X для текущего выполнения. Этот вызов приводит к идентичным результатам к эквивалентному вызову cgoptimstore/evaluate.
Y = gridEvaluate(optimstore, X, objconname) оценивает цели/ограничения, заданные в массиве ячеек objconname, как описано выше.
Y = gridEvaluate(optimstore, X, objconname, datasetname) оценивает все цели и ограничения во всех комбинациях точек в datasetname с X. Матрица возврата, Y, имеет размер SIZE(X,1)-by-(NOBJ+NCON)-by-NPTS, где NOBJ является количеством целей, NCON является количеством ограничений, и NPTS является количеством строк в P. Далее, Y(I, J, K) является значением цели/ограничения J-th в X(I, :), и P(K, :). Y масштабируется на [-1 1].
Цели: O1, O2
Ограничения: C1, C2
Первичные данные устанавливают:
| A | B |
|---|---|
4 | 5 |
1 | 3 |
Свободные переменные:
| X1 | X2 | X3 |
|---|---|---|
2 | 4 | 8 |
1 | 9 | 3 |
6 | 2 | 7 |
X
В этом случае, следующая команда
Y = gridEvaluate(optimstore, X)
оценивает цели и ограничения в следующих моментах:
| A | B | X1 | X2 | X3 |
|---|---|---|---|---|
4 | 5 | 2 | 4 | 8 |
4 | 5 | 1 | 9 | 3 |
4 | 5 | 6 | 2 | 7 |
1 | 3 | 2 | 4 | 8 |
1 | 3 | 1 | 9 | 3 |
1 | 3 | 6 | 2 | 7 |
Y является 3 4 2 матрицами где
Y: 1, 1) = значения 01 в = 4, B = 5
Y: 2, 1) = значения 02 в = 4, B = 5
Y: 3, 1) = значения C1 в = 4, B = 5
Y: 4, 1) = значения C2 в = 4, B = 5
Y: 1, 2) = значения 01 в = 1, B = 3
Y: 2, 2) = значения 02 в = 1, B = 3
Y: 3, 2) = значения C1 в = 1, B = 3
Y: 4, 2) = значения C2 в = 1, B = 3
Y = gridEvaluate(optimstore, X, objconname, datasetname, rowind)
оценивает заданные цели/ограничения в точках datasetname, данного rowind, как описано выше. Y является length (rowind) length (objconname) матрицей npts.
