Линейная и нелинейная ограниченная минимизация Используя patternsearch

Линейно ограниченная проблема

Описание проблемы

Этот раздел представляет пример выполнения поиска шаблона на ограниченной проблеме минимизации. Пример минимизирует функцию

F(x)=12xTHx+fTx,

где

H=[3617191281517331811714191843138161211131861187869815141611829],f=[201521182924],

удовлетворяющее ограничениям

Axb,Aeqx=beq,

где

A=[873490],b=7,Aeq=[718333505158267119112233],beq=[8462651].

Выполнение поиска шаблона на примере

Чтобы выполнить поиск шаблона на примере, сначала войдите

optimtool('patternsearch')
открыть приложение Оптимизации или ввести optimtool и затем выберите patternsearch в меню Solver. Затем введите следующую функцию в поле Objective function:
@lincontest7
lincontest7 файл, включенный в программное обеспечение Global Optimization Toolbox, которое вычисляет целевую функцию для примера. Поскольку матрицы и векторы, задающие начальную точку и ограничения, являются большими, более удобно установить их значения как переменные в рабочей области MATLAB® сначала и затем ввести имена переменных в приложение Оптимизации. Для этого войдите

x0 = [2 1 0 9 1 0];
Aineq = [-8 7 3 -4 9 0];
bineq = 7;
Aeq = [7 1 8 3 3 3; 5 0 -5 1 -5 8; -2 -6 7 1 1 9; 1 -1 2 -2 3 -3];
beq = [84 62 65 1];

Затем введите следующее в приложение Оптимизации:

  • Установите Start point на x0.

  • Установите следующий Linear inequalities:

    • Установите A на Aineq.

    • Установите b на bineq.

    • Установите Aeq на Aeq.

    • Установите beq на beq.

Следующий рисунок показывает эти настройки в приложении Оптимизации.

Поскольку это - линейно ограниченная проблема, установите Poll method на GSS Positive basis 2N. Для получения дополнительной информации о КПД методов поиска GSS для линейно ограниченных проблем, смотрите, Сравнивают КПД Опций Опроса.

Затем нажмите Start, чтобы запустить поиск шаблона. Когда поиск закончен, результаты отображены в панели Run solver and view results как показано в следующем рисунке.

Запускать эту проблему с помощью функций командной строки:

x0 = [2 1 0 9 1 0];
Aineq = [-8 7 3 -4 9 0];
bineq = 7;
Aeq = [7 1 8 3 3 3; 5 0 -5 1 -5 8; -2 -6 7 1 1 9; 1 -1 2 -2 3 -3];
beq = [84 62 65 1];
options = optimoptions('patternsearch',...
    'PollMethod','GSSPositiveBasis2N');
[x,fval,exitflag,output] = patternsearch(@lincontest7,x0,... 
   Aineq,bineq,Aeq,beq,[],[],[],options);

Просмотрите решение, значение целевой функции и количество функциональных оценок во время процесса решения.

x,fval,output.funccount
x =

    8.5165   -6.1094    4.0989    1.2877   -4.2348    2.1812


fval =

   1.9195e+03


ans =

   758

Нелинейно ограниченная проблема

Предположим, что вы хотите минимизировать простую целевую функцию двух переменных x1 и x2,

minxf(x)=(4-2.1x12x14/3)x12+x1x2+(4+4x22)x22

подвергните следующим нелинейным ограничениям неравенства и границам

x1x2+x1x2+1.50(нелинейное ограничение)10x1x20(нелинейное ограничение)0 x1 1(связанный)0 x213(связанный)

Начните путем создания ограничительных функций и цели. Во-первых, создайте файл с именем simple_objective.m можно следующим образом:

function y = simple_objective(x)
y = (4 - 2.1*x(1)^2 + x(1)^4/3)*x(1)^2 + x(1)*x(2) + (-4 + 4*x(2)^2)*x(2)^2;

Решатель поиска шаблона принимает, что целевая функция возьмет один вход x где x имеет столько же элементов сколько количество переменных в проблеме. Целевая функция вычисляет значение функции и возвращает то скалярное значение в его одном возвращаемом аргументе y.

Затем создайте файл с именем simple_constraint.m содержа ограничения:

function [c, ceq] = simple_constraint(x)
c = [1.5 + x(1)*x(2) + x(1) - x(2);
-x(1)*x(2) + 10];
ceq = [];

Решатель поиска шаблона принимает, что ограничительная функция возьмет один вход x, где x имеет столько же элементов сколько количество переменных в проблеме. Ограничительная функция вычисляет значения всех ограничений неравенства и ограничений равенства и возвращает два вектора, c и ceq, соответственно.

Затем минимизировать целевую функцию с помощью patternsearch функция, необходимо передать в указателе на функцию целевой функции, а также определению стартовой точки в качестве второго аргумента. Нижние и верхние границы обеспечиваются как LB и UB соответственно. Кроме того, также необходимо передать указатель на функцию нелинейной ограничительной функции.

ObjectiveFunction = @simple_objective;
X0 = [0 0];   % Starting point
LB = [0 0];   % Lower bound
UB = [1 13];  % Upper bound
ConstraintFunction = @simple_constraint;
[x,fval] = patternsearch(ObjectiveFunction,X0,[],[],[],[],...
                         LB,UB,ConstraintFunction)
Optimization terminated: mesh size less than options.MeshTolerance
 and constraint violation is less than options.ConstraintTolerance.

x =
    0.8122   12.3122

fval =
  9.1324e+004

Затем постройте результаты. Создайте опции с помощью optimoptions это выбирает две функции построения графика. Первая функция построения графика psplotbestf строит лучшее значение целевой функции в каждой итерации. Вторая функция построения графика psplotmaxconstr строит максимальное ограничительное нарушение в каждой итерации.

Примечание

Можно также визуализировать прогресс алгоритма путем отображения информации к Командному окну с помощью 'Display' опция.

options = optimoptions('patternsearch','PlotFcn',{@psplotbestf,@psplotmaxconstr},'Display','iter');
[x,fval] = patternsearch(ObjectiveFunction,X0,[],[],[],[],LB,UB,ConstraintFunction,options)
                                      Max
  Iter   Func-count       f(x)      Constraint   MeshSize      Method
    0         1            0           10       0.8919    
    1        28       113580            0        0.001   Increase penalty
    2       105        91324    1.782e-07        1e-05   Increase penalty
    3       192        91324    1.188e-11        1e-07   Increase penalty
Optimization terminated: mesh size less than options.MeshTolerance
 and constraint violation is less than options.ConstraintTolerance.

x =

    0.8122   12.3122


fval =

   9.1324e+04

Лучшее значение целевой функции и максимальное ограничительное нарушение в каждой итерации

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте