fminunc

Найдите минимум неограниченной многомерной функции

Синтаксис

x = fminunc(fun,x0)

x = fminunc(fun,x0,options)

x = fminunc(problem)

[x,fval]
= fminunc(___)

[x,fval,exitflag,output]
= fminunc(___)

[x,fval,exitflag,output,grad,hessian]
= fminunc(___)

Описание

Решатель нелинейного программирования.

Находит минимум проблемы заданным

$\min_{x} f (x)$

где f (x) является функцией, которая возвращает скаляр.

x является вектором или матрицей; смотрите Матричные аргументы.

пример

x = fminunc(fun,x0) запускает в точке x0 и попытки найти локальный минимальный x из функции, описанной в fun. Точка x0 может быть скаляр, вектор или матрица.

Примечание

Передача Дополнительных Параметров объясняет, как передать дополнительные параметры целевой функции и нелинейным ограничительным функциям при необходимости.

fminunc для нелинейных проблем без ограничений. Если ваша проблема имеет ограничения, обычно используйте fmincon. См. таблицу решений оптимизации.

пример

x = fminunc(fun,x0,options) минимизирует fun с опциями оптимизации, заданными в options. Используйте optimoptions установить эти опции.

пример

x = fminunc(problem) находит минимум для problem, где problem структура, описанная во Входных параметрах. Создайте problem структура путем экспорта проблемы из приложения Оптимизации, как описано в Экспорте работы.

пример

[x,fval] = fminunc(___), для любого синтаксиса, возвращает значение целевой функции fun в решении x.

пример

[x,fval,exitflag,output] = fminunc(___) дополнительно возвращает значение exitflag это описывает выходное условие fminunc, и структура output с информацией о процессе оптимизации.

[x,fval,exitflag,output,grad,hessian] = fminunc(___) дополнительно возвращается:

grad — Градиент fun в решении x.
hessian — Гессиан fun в решении x. См. fminunc Гессиан.

Примеры

свернуть все

Минимизируйте полином

Скрипт Open Live Script

Минимизируйте функцию $f (x) = 3 x_{1}^{2} + 2 x_{1} x_{2} + x_{2}^{2} - 4 x_{1} + 5 x_{2}$ .

Для этого запишите анонимной функции fun это вычисляет цель.

fun = @(x)3*x(1)^2 + 2*x(1)*x(2) + x(2)^2 - 4*x(1) + 5*x(2);

Вызовите fminunc найти минимум fun около [1,1].

x0 = [1,1];
[x,fval] = fminunc(fun,x0)

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

    2.2500   -4.7500

fval = -16.3750

Предоставьте градиент

Скрипт Open Live Script

fminunc может быть быстрее и более надежным, когда вы обеспечиваете производные.

Запишите целевую функцию, которая возвращает градиент, а также значение функции. Используйте форму conditionalized, описанную во Включении Градиентов и Гессианов. Целевая функция является функцией Розенброка,

$f (x) = 100 {(x_{2} - x_{1}^{2})}^{2} + (1 - x_{1})^{2},$

который имеет градиент

$\nabla f (x) = [\begin{array}{cccccccccccccccccccc} - 400 (x_{2} - x_{1}^{2}) x_{1} - 2 (1 - x_{1}) \\ 200 (x_{2} - x_{1}^{2}) \end{array}]$ .

Код для целевой функции с градиентом появляется в конце этого примера.

Создайте опции, чтобы использовать градиент целевой функции. Кроме того, установите алгоритм на 'trust-region'.

options = optimoptions('fminunc','Algorithm','trust-region','SpecifyObjectiveGradient',true);

Установите начальную точку на [-1,2]. Затем вызовите fminunc.

x0 = [-1,2];
fun = @rosenbrockwithgrad;
x = fminunc(fun,x0,options)

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

    1.0000    1.0000

Следующий код создает rosenbrockwithgrad функция, которая включает градиент как второй выход.

function [f,g] = rosenbrockwithgrad(x)
% Calculate objective f
f = 100*(x(2) - x(1)^2)^2 + (1-x(1))^2;

if nargout > 1 % gradient required
    g = [-400*(x(2)-x(1)^2)*x(1) - 2*(1-x(1));
        200*(x(2)-x(1)^2)];
end
end

Используйте структуру задачи

Скрипт Open Live Script

Решите ту же задачу как в Градиенте Предоставления с помощью структуры задачи вместо отдельных аргументов.

$f (x) = 100 {(x_{2} - x_{1}^{2})}^{2} + (1 - x_{1})^{2}$ ,

который имеет градиент

$\nabla f (x) = [\begin{array}{cccccccccccccccccccc} - 400 (x_{2} - x_{1}^{2}) x_{1} - 2 (1 - x_{1}) \\ 200 (x_{2} - x_{1}^{2}) \end{array}]$ .

Код для целевой функции с градиентом появляется в конце этого примера.

Создайте опции, чтобы использовать градиент целевой функции. Кроме того, установите алгоритм на 'trust-region'.

options = optimoptions('fminunc','Algorithm','trust-region','SpecifyObjectiveGradient',true);

Создайте структуру задачи включая начальную точку x0 = [-1,2]. Для обязательных полей в этой структуре смотрите проблему.

problem.options = options;
problem.x0 = [-1,2];
problem.objective = @rosenbrockwithgrad;
problem.solver = 'fminunc';

Решите задачу.

x = fminunc(problem)

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

    1.0000    1.0000

Следующий код создает rosenbrockwithgrad функция, которая включает градиент как второй выход.

function [f,g] = rosenbrockwithgrad(x)
% Calculate objective f
f = 100*(x(2) - x(1)^2)^2 + (1-x(1))^2;

if nargout > 1 % gradient required
    g = [-400*(x(2)-x(1)^2)*x(1)-2*(1-x(1));
        200*(x(2)-x(1)^2)];
end
end

Получите оптимальное значение целевой функции

Скрипт Open Live Script

Найдите и местоположение минимума нелинейной функции и значение функции в том минимуме. Целевая функция

$f (x) = x (1) e^{- {‖ x ‖}_{2}^{2}} + {‖ x ‖}_{2}^{2} / 20$ .

fun = @(x)x(1)*exp(-(x(1)^2 + x(2)^2)) + (x(1)^2 + x(2)^2)/20;

Найдите местоположение и значение целевой функции минимизатора, запускающегося в x0 = [1,2].

x0 = [1,2];
[x,fval] = fminunc(fun,x0)

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

   -0.6691    0.0000

fval = -0.4052

Исследуйте процесс решения

Скрипт Open Live Script

Выберите fminunc опции и выходные параметры, чтобы исследовать процесс решения.

Установите опции получать итеративное отображение и использовать 'quasi-newton' алгоритм.

options = optimoptions(@fminunc,'Display','iter','Algorithm','quasi-newton');

Целевая функция

$f (x) = x (1) e^{- {‖ x ‖}_{2}^{2}} + {‖ x ‖}_{2}^{2} / 20 .$

fun = @(x)x(1)*exp(-(x(1)^2 + x(2)^2)) + (x(1)^2 + x(2)^2)/20;

Запустите минимизацию в x0 = [1,2], и получите выходные параметры, которые позволяют вам исследовать качество решения и процесс.

x0 = [1,2];
[x,fval,exitflag,output] = fminunc(fun,x0,options)

                                                        First-order 
 Iteration  Func-count       f(x)        Step-size       optimality
     0           3         0.256738                         0.173
     1           6         0.222149              1          0.131  
     2           9          0.15717              1          0.158  
     3          18        -0.227902       0.438133          0.386  
     4          21        -0.299271              1           0.46  
     5          30        -0.404028       0.102071         0.0458  
     6          33        -0.404868              1         0.0296  
     7          36        -0.405236              1        0.00119  
     8          39        -0.405237              1       0.000252  
     9          42        -0.405237              1       7.97e-07  

Local minimum found.

Optimization completed because the size of the gradient is less than
the value of the optimality tolerance.

x = 1×2

   -0.6691    0.0000

fval = -0.4052

exitflag = 1

output = struct with fields:
       iterations: 9
        funcCount: 42
         stepsize: 2.9343e-04
     lssteplength: 1
    firstorderopt: 7.9721e-07
        algorithm: 'quasi-newton'
          message: '...'

Выходной флаг 1 показывает, что решение является локальным оптимумом.
output структура показывает количество итераций, количество вычислений функции и другую информацию.
Итеративное отображение также показывает количество итераций и вычислений функции.

Входные параметры

свернуть все

`fun` — Функция, чтобы минимизировать
указатель на функцию | имя функции

Функция, чтобы минимизировать в виде указателя на функцию или имени функции. fun функция, которая принимает вектор или массив x и возвращает действительный скалярный f, целевая функция выполнена в x.

Задайте fun как указатель на функцию для файла:

x = fminunc(@myfun,x0)

где myfun функция MATLAB^® такой как

function f = myfun(x)
f = ...            % Compute function value at x

Можно также задать fun как указатель на функцию для анонимной функции:

x = fminunc(@(x)norm(x)^2,x0);

Если можно вычислить градиент fun и SpecifyObjectiveGradient опция установлена в true, как установлено

options = optimoptions('fminunc','SpecifyObjectiveGradient',true)

затем fun должен возвратить вектор градиента g(x) во втором выходном аргументе.

Если можно также вычислить матрицу Гессиана и HessianFcn опция установлена в 'objective' через options = optimoptions('fminunc','HessianFcn','objective') и Algorithm опция установлена в 'trust-region', fun должен возвратить значение Гессиана H(x), симметрическая матрица, в третьем выходном аргументе. fun может дать разреженный Гессиан. Смотрите Гессиан для fminunc доверительной области или области доверия fmincon отражающие алгоритмы для деталей.

trust-region алгоритм позволяет вам предоставлять функцию умножения Гессиана. Эта функция дает результат Векторного произведения времен гессиана, не вычисляя Гессиан непосредственно. Это может сохранить память. Смотрите функцию умножения Гессиана.

Пример: fun = @(x)sin(x(1))*cos(x(2))

Типы данных: char | function_handle | string

`x0` — Начальная точка
вектор действительных чисел | действительный массив

Начальная точка в виде вектора действительных чисел или действительного массива. Решатели используют число элементов в x0 и размер x0 определить номер и размер переменных что fun принимает.

Пример: x0 = [1,2,3,4]

Типы данных: double

`options` — Опции оптимизации
выход `optimoptions` | структура, такая как `optimset` возвращается

Опции оптимизации в виде выхода optimoptions или структура, такая как optimset возвращается.

Некоторые опции применяются ко всем алгоритмам, и другие важны для конкретных алгоритмов. Дополнительную информацию см. в Ссылке Опций Оптимизации.

Некоторые опции отсутствуют в optimoptions отображение. Эти опции появляются курсивом в следующей таблице. Для получения дополнительной информации, Опции вида на море.

Все алгоритмы
`Algorithm`	Выберите `fminunc` алгоритм. Выбором является `'quasi-newton'` (значение по умолчанию) или `'trust-region'`. `'trust-region'` алгоритм требует, чтобы вы предоставили градиент (см. описание `fun`), или иначе `fminunc` использует `'quasi-newton'` алгоритм. Для получения информации о выборе алгоритма смотрите Выбор Algorithm.
`CheckGradients`	Сравните предоставленные пользователями производные (градиент цели) к производным конечного дифференцирования. Выбором является `false` (значение по умолчанию) или `true`. Для `optimset`, именем является `DerivativeCheck` и значениями является `'on'` или `'off'`. См. текущие и устаревшие таблицы имени опции.
Диагностика	Отобразите диагностическую информацию о функции, которая будет минимизирована или решена. Выбором является `'off'` (значение по умолчанию) или `'on'`.
DiffMaxChange	Максимальное изменение в переменных для градиентов конечной разности (положительная скалярная величина). Значением по умолчанию является `Inf`.
DiffMinChange	Минимальное изменение в переменных для градиентов конечной разности (положительная скалярная величина). `Значением по умолчанию является 0`.
`Display`	Level of display (см. Итеративное Отображение): `'off'` или `'none'` не отображает вывода. `'iter'` отображает вывод в каждой итерации и дает выходное сообщение по умолчанию. `'iter-detailed'` отображает вывод в каждой итерации и дает техническое выходное сообщение. `'notify'` отображает вывод, только если функция не сходится и дает выходное сообщение по умолчанию. `'notify-detailed'` отображает вывод, только если функция не сходится и дает техническое выходное сообщение. `'final'` (значение по умолчанию) отображает только окончательный вывод и дает выходное сообщение по умолчанию. `'final-detailed'` отображает только окончательный вывод и дает техническое выходное сообщение.
`FiniteDifferenceStepSize`	Скалярный или векторный фактор размера шага для конечных разностей. Когда вы устанавливаете `FiniteDifferenceStepSize` к векторному `v`, прямые конечные разности `delta` `delta = v.sign′(x).max(abs(x),TypicalX);` где `sign′(x) = sign(x)` кроме `sign′(0) = 1`. Центральные конечные разности `delta = v.*max(abs(x),TypicalX);` Скалярный `FiniteDifferenceStepSize` расширяется до вектора. Значением по умолчанию является `sqrt(eps)` для прямых конечных разностей и `eps^(1/3)` для центральных конечных разностей. Алгоритм доверительной области использует `FiniteDifferenceStepSize` только, когда `CheckGradients` установлен в `true`. Для `optimset`, именем является `FinDiffRelStep`. См. текущие и устаревшие таблицы имени опции.
`FiniteDifferenceType`	Конечными разностями, используемыми, чтобы оценить градиенты, является любой `'forward'` (значение по умолчанию), или `'central'` (в центре). `'central'` берет вдвое больше вычислений функции, но должен быть более точным. Алгоритм доверительной области использует `FiniteDifferenceType` только, когда `CheckGradients` установлен в `true`. Для `optimset`, именем является `FinDiffType`. См. текущие и устаревшие таблицы имени опции.
FunValCheck	Проверяйте, допустимы ли значения целевой функции. Настройка по умолчанию, `'off'`, не выполняет проверку. `'on'` установка отображает ошибку, когда целевая функция возвращает значение, которое является `complexInf`, или `NaN`.
`MaxFunctionEvaluations`	Максимальное количество позволенных вычислений функции, положительное целое число. Значением по умолчанию является `100*numberOfVariables`. Смотрите допуски и критерий остановки и итерации и функциональные количества. Для `optimset`, именем является `MaxFunEvals`. См. текущие и устаревшие таблицы имени опции.
`MaxIterations`	Максимальное количество позволенных итераций, положительное целое число. Значением по умолчанию является `400`. Смотрите допуски и критерий остановки и итерации и функциональные количества. Для `optimset`, именем является `MaxIter`. См. текущие и устаревшие таблицы имени опции.
`OptimalityTolerance`	Допуск завершения на оптимальности первого порядка (положительная скалярная величина). Значением по умолчанию является `1e-6`. Смотрите меру оптимальности первого порядка. Для `optimset`, именем является `TolFun`. См. текущие и устаревшие таблицы имени опции.
`OutputFcn`	Задайте одну или несколько пользовательских функций, которые вызывает на каждой итерации оптимизационная функция. Передайте указатель на функцию или cell-массив указателей на функцию. Значение по умолчанию не ни один (`[]`). Смотрите синтаксис выходной функции.
`PlotFcn`	Строит различные показатели прогресса, в то время как алгоритм выполняется; выберите из предопределенных графиков или запишите свое собственное. Передайте встроенное имя функции построения графика, указатель на функцию или массив ячеек встроенных имен функции построения графика или указателей на функцию. Для пользовательских функций построения графика передайте указатели на функцию. Значение по умолчанию не ни один (`[]`): `'optimplotx'` строит текущую точку. `'optimplotfunccount'` строит функциональное количество. `'optimplotfval'` строит значение функции. `'optimplotstepsize'` строит размер шага. `'optimplotfirstorderopt'` строит меру оптимальности первого порядка. Пользовательские функции построения графика используют тот же синтаксис в качестве выходных функций. Смотрите Синтаксис Выходной функции и Выходные функции. Для `optimset`, именем является `PlotFcns`. См. текущие и устаревшие таблицы имени опции.
`SpecifyObjectiveGradient`	Градиент для целевой функции задан пользователем. См. описание `fun` чтобы видеть, как задать градиент в `fun`. Установите на `true` иметь `fminunc` используйте пользовательский градиент целевой функции. `false` по умолчанию причины `fminunc` оценить градиенты с помощью конечных разностей. Необходимо предоставить градиент и установить `SpecifyObjectiveGradient` к `true`, использовать алгоритм доверительной области. Эта опция не требуется для алгоритма квазиньютона. Для `optimset`, именем является `GradObj` и значениями является `'on'` или `'off'`. См. текущие и устаревшие таблицы имени опции.
`StepTolerance`	Допуск завершения на `x`, положительная скалярная величина. Значением по умолчанию является `1e-6`. Смотрите допуски и критерий остановки. Для `optimset`, именем является `TolX`. См. текущие и устаревшие таблицы имени опции.
`TypicalX`	Типичный `x` значения. Число элементов в `TypicalX` равно числу элементов в `x0`, начальная точка. Значением по умолчанию является `ones(numberofvariables,1)`. `fminunc` использование `TypicalX` для масштабирования конечных разностей для оценки градиента. `trust-region` алгоритм использует `TypicalX` только для `CheckGradients` опция.
`trust-region` Алгоритм
`FunctionTolerance`	Допуск завершения на значении функции, положительной скалярной величине. Значением по умолчанию является `1e-6`. Смотрите допуски и критерий остановки. Для `optimset`, именем является `TolFun`. См. текущие и устаревшие таблицы имени опции.
`HessianFcn`	Если установлено в `[]` (значение по умолчанию), `fminunc` аппроксимирует Гессиан с помощью конечных разностей. Если установлено в `'objective'`, `fminunc` использует пользовательский Гессиан в целевой функции. Гессианом является третий выход целевой функции (см. `fun`). Для `optimset`, именем является `HessFcn`. См. текущие и устаревшие таблицы имени опции.
`HessianMultiplyFcn`	Функция умножения Гессиана в виде указателя на функцию. Для крупномасштабных структурированных проблем эта функция вычисляет матричное произведение Гессиана `HY` на самом деле не формируя `H`. Функция имеет форму W = hmfun(Hinfo,Y) где `Hinfo` содержит матрицу, использованную для расчета `HY`. Первый аргумент совпадает с третьим аргументом, возвращенным целевой функцией `fun`, например, [f,g,Hinfo] = fun(x) `Y` матрица, которая имеет одинаковое число строк, когда существуют размерности в проблеме. Матричный `W = H*Y`, несмотря на то, что `H` не формируется явным образом. `fminunc` использование `Hinfo` вычислить предварительный формирователь. Для получения информации о том, как предоставить значения для любых дополнительных параметров `hmfun` потребности, смотрите Передающие Дополнительные Параметры. Примечание Использовать `HessianMultiplyFcn` опция, `HessianFcn` должен быть установлен в `[]`. Для примера смотрите Минимизацию с Плотным Структурированным Гессианом, Линейными Равенствами. Для `optimset`, именем является `HessMult`. См. текущие и устаревшие таблицы имени опции.
HessPattern	Шаблон разреженности Гессиана для конечного дифференцирования. Установите `HessPattern(i,j) = 1` когда у вас может быть ^∂2`fun`/ ∂`x(i)`∂`x(j)` ≠ 0. В противном случае установите `HessPattern(i,j) = 0`. Используйте `HessPattern` когда это неудобно, чтобы вычислить матрицу Гессиана `H` в `fun`, но можно определить (скажите контролем), когда `i`компонент th градиента `fun` зависит от `x(j)`. `fminunc` может аппроксимировать `H` через разреженные конечные разности (градиента), если вы обеспечиваете sparsity structure `H` как значение для `HessPattern`. Другими словами, обеспечьте местоположения ненулей. Когда структура будет неизвестна, не устанавливайте `HessPattern`. Поведение по умолчанию состоит в том как будто `HessPattern` плотная матрица из единиц. Затем `fminunc` вычисляет полное приближение конечной разности в каждой итерации. Этот расчет может быть дорогим для больших проблем, таким образом, обычно лучше определить структуру разреженности.
MaxPCGIter	Максимальное количество итераций предобусловленного метода сопряженных градиентов (PCG), положительной скалярной величины. Значением по умолчанию является `max(1,floor(numberOfVariables/2))`. Для получения дополнительной информации см. Доверительный Алгоритм области.
PrecondBandWidth	Верхняя пропускная способность предварительного формирователя для PCG, неотрицательного целого числа. По умолчанию, `fminunc` диагональ использования, предварительно обусловливающая (верхняя пропускная способность 0). Для некоторых проблем, увеличивая пропускную способность сокращает количество итераций PCG. Установка `PrecondBandWidth` к `Inf` использует прямую факторизацию (Холесский), а не методы сопряженных градиентов (CG). Прямая факторизация является в вычислительном отношении более дорогой, чем CG, но производит лучший качественный шаг к решению.
`SubproblemAlgorithm`	Определяет, как шаг итерации вычисляется. Значение по умолчанию, `'cg'`, делает более быстрый, но менее точный шаг, чем `'factorization'`. См. fminunc Алгоритм доверительной области.
TolPCG	Допуск завершения на итерации PCG, положительной скалярной величине. Значением по умолчанию является `0.1`.
`quasi-newton` Алгоритм
HessUpdate	Метод для выбора поискового направления в алгоритме Квазиньютона. Выбор: `'bfgs'`, значение по умолчанию `'dfp'` `'steepdesc'` Смотрите Обновление Алгоритма и Гессиана Квазиньютона для описания этих методов.
`ObjectiveLimit`	Допуск (останавливающий критерий), который является скаляром. Если значение целевой функции в итерации меньше чем или равно `ObjectiveLimit`, итерации останавливаются, потому что проблема, по-видимому, неограниченна. Значением по умолчанию является `-1e20`.
`UseParallel`	Когда `true`, `fminunc` оценочные градиенты параллельно. Отключите путем установки на значение по умолчанию, `false`. `trust-region` требует градиента в цели, таким образом`, UseParallel` не применяется. Смотрите Параллельные вычисления.

Пример: options = optimoptions('fminunc','SpecifyObjectiveGradient',true)

`problem` — Структура задачи
структура

Структура задачи в виде структуры со следующими полями:

Имя поля	Запись
`objective`	Целевая функция
`x0`	Начальная точка для `x`
`solver`	`'fminunc'`
`options`	Опции создаются с `optimoptions`

Самый простой способ получить problem структура должна экспортировать проблему из приложения Оптимизации.

Типы данных: struct

Выходные аргументы

свернуть все

`x` Решение
вектор действительных чисел | действительный массив

Решение, возвращенное как вектор действительных чисел или действительный массив. Размер x совпадает с размером x0. Как правило, x локальное решение проблемы когда exitflag положительно. Для получения информации о качестве решения смотрите, Когда Решатель Успешно выполнится.

`fval` — Значение целевой функции в решении
вещественное число

Значение целевой функции в решении, возвращенном как вещественное число. Обычно fval = fun(x).

`exitflag` — Обоснуйте `fminunc` остановленный
целое число

Обоснуйте fminunc остановленный, возвращенный как целое число.

1	Величина градиента меньше, чем `OptimalityTolerance` допуск.
2	Изменитесь в `x` было меньшим, чем `StepTolerance` допуск.
3	Изменение в значении целевой функции было меньше `FunctionTolerance` допуск.
5	Предсказанное уменьшение в целевой функции было меньше `FunctionTolerance` допуск.
0	Количество итераций превысило `MaxIterations` или количество вычислений функции превысило `MaxFunctionEvaluations`.
-1	Алгоритм был отключен выходной функцией.
-3	Целевая функция при текущей итерации понизилась `ObjectiveLimit`.

`output` — Информация о процессе оптимизации
структура

Информация о процессе оптимизации, возвращенном как структура с полями:

`iterations`	Количество проделанных итераций
`funcCount`	Количество вычислений функции
`firstorderopt`	Мера оптимальности первого порядка
`algorithm`	Алгоритм оптимизации используется
`cgiterations`	Общее количество итераций PCG (`'trust-region'` только алгоритм)
`lssteplength`	Размер линии ищет шаг относительно поискового направления (`'quasi-newton'` только алгоритм)
`stepsize`	Итоговое смещение в `x`
`message`	Выходное сообщение

`grad` — Градиент в решении
вектор действительных чисел

Градиент в решении, возвращенном как вектор действительных чисел. grad дает градиент fun в точке x(:).

`hessian` — Аппроксимированный гессиан
действительная матрица

Аппроксимированный Гессиан, возвращенный как действительная матрица. Для значения hessian, смотрите Гессиан Выход.

Алгоритмы

свернуть все

Алгоритм квазиньютона

quasi-newton алгоритм использует Приближенный метод ньютона BFGS с кубической процедурой поиска линии. Этот приближенный метод ньютона использует BFGS ([1], [5], [8], и [9]) формула для обновления приближения матрицы Гессиана. Можно выбрать DFP ([4], [6], и [7]) формула, которая аппроксимирует обратную матрицу Гессиана путем установки HessUpdate опция к 'dfp' (и Algorithm опция к 'quasi-newton'). Можно выбрать метод быстрейшего спуска установкой HessUpdate к 'steepdesc' (и Algorithm к 'quasi-newton'), несмотря на то, что эта установка обычно неэффективна. См. fminunc Алгоритм квазиньютона.

Доверительный алгоритм области

trust-region алгоритм требует, чтобы вы предоставили градиент в fun и набор SpecifyObjectiveGradient к true использование optimoptions. Этот алгоритм является методом доверительной области подпространства и основан на внутреннем отражающем методе Ньютона, описанном в [2] и [3]. Каждая итерация включает приближенное решение большой линейной системы с помощью метода предобусловленных методов сопряженных градиентов (PCG). См. fminunc Алгоритм доверительной области, Методы Доверительной области для Нелинейной Минимизации и Предобусловленного Метода сопряженных градиентов.

Ссылки

[1] Broyden, C. G. “Сходимость Класса Алгоритмов Минимизации Двойного Ранга”. Журналируйте Inst. Математика. Приложение., Издание 6, 1970, стр 76–90.

[2] Коулман, T. F. и И. Ли. “Внутренний, Доверительный Подход области для Нелинейной Минимизации Согласно Границам”. SIAM Journal на Оптимизации, Издании 6, 1996, стр 418–445.

[3] Коулман, T. F. и И. Ли. “На Сходимости Отражающих Методов Ньютона для Крупномасштабной Нелинейной Минимизации Согласно Границам”. Математическое программирование, Издание 67, Номер 2, 1994, стр 189–224.

[4] Davidon, W. C. “Переменный метрический метод для минимизации”. A.E.C. Научно-исследовательский отчет, ANL-5990, 1959.

[5] Флетчер, R. “Новый Подход к Переменным Метрическим Алгоритмам”. Компьютерный Журнал, Издание 13, 1970, стр 317–322.

[6] Флетчер, R. “Практические методы оптимизации”. Издание 1, оптимизация без ограничений, Джон Вайли и сыновья, 1980.

[7] Флетчер, R. и М. Дж. Д. Пауэлл. “Быстро Конвергентный Метод Спуска для Минимизации”. Компьютерный Журнал, Издание 6, 1963, стр 163–168.

[8] Goldfarb, D. “Семейство Переменных Метрических Обновлений, Выведенных Вариационными Средними значениями”. Математика Вычисления, Издания 24, 1970, стр 23–26.

[9] Shanno, D. F. “Создание условий Приближенных методов ньютона для Функциональной Минимизации”. Математика Вычисления, Издания 24, 1970, стр 647–656.

Расширенные возможности

Автоматическая параллельная поддержка
Ускорьте код автоматически рабочим расчетом в параллели с помощью Parallel Computing Toolbox™.

Чтобы запуститься параллельно, установите 'UseParallel' опция к true.

опции = optimoptions ('solvername', 'UseParallel', верный)

Для получения дополнительной информации смотрите Используя Параллельные вычисления в Optimization Toolbox.

Документация

fminunc

Синтаксис

Описание

Примечание

Примеры

Минимизируйте полином

Предоставьте градиент

Используйте структуру задачи

Получите оптимальное значение целевой функции

Исследуйте процесс решения

Входные параметры

`fun` — Функция, чтобы минимизировать
указатель на функцию | имя функции

`x0` — Начальная точка
вектор действительных чисел | действительный массив

`options` — Опции оптимизации
выход `optimoptions` | структура, такая как `optimset` возвращается

Примечание

`problem` — Структура задачи
структура

Выходные аргументы

`x` Решение
вектор действительных чисел | действительный массив

`fval` — Значение целевой функции в решении
вещественное число

`exitflag` — Обоснуйте `fminunc` остановленный
целое число

`output` — Информация о процессе оптимизации
структура

`grad` — Градиент в решении
вектор действительных чисел

`hessian` — Аппроксимированный гессиан
действительная матрица

Алгоритмы

Алгоритм квазиньютона

Доверительный алгоритм области

Ссылки

Расширенные возможности

Автоматическая параллельная поддержка
Ускорьте код автоматически рабочим расчетом в параллели с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Представлено до R2006a

Документация Optimization Toolbox

Поддержка

Документация

fminunc

Синтаксис

Описание

Примечание

Примеры

Минимизируйте полином

Предоставьте градиент

Используйте структуру задачи

Получите оптимальное значение целевой функции

Исследуйте процесс решения

Входные параметры

fun — Функция, чтобы минимизировать указатель на функцию | имя функции

x0 — Начальная точка вектор действительных чисел | действительный массив

options — Опции оптимизации выход optimoptions | структура, такая как optimset возвращается

Примечание

problem — Структура задачи структура

Выходные аргументы

x Решение вектор действительных чисел | действительный массив

fval — Значение целевой функции в решении вещественное число

exitflag — Обоснуйте fminunc остановленный целое число

output — Информация о процессе оптимизации структура

grad — Градиент в решении вектор действительных чисел

hessian — Аппроксимированный гессиан действительная матрица

Алгоритмы

Алгоритм квазиньютона

Доверительный алгоритм области

Ссылки

Расширенные возможности

Автоматическая параллельная поддержка Ускорьте код автоматически рабочим расчетом в параллели с помощью Parallel Computing Toolbox™.

Смотрите также

Темы

Представлено до R2006a

Документация Optimization Toolbox

Поддержка

`fun` — Функция, чтобы минимизировать
указатель на функцию | имя функции

`x0` — Начальная точка
вектор действительных чисел | действительный массив

`options` — Опции оптимизации
выход `optimoptions` | структура, такая как `optimset` возвращается

`problem` — Структура задачи
структура

`x` Решение
вектор действительных чисел | действительный массив

`fval` — Значение целевой функции в решении
вещественное число

`exitflag` — Обоснуйте `fminunc` остановленный
целое число

`output` — Информация о процессе оптимизации
структура

`grad` — Градиент в решении
вектор действительных чисел

`hessian` — Аппроксимированный гессиан
действительная матрица

Автоматическая параллельная поддержка
Ускорьте код автоматически рабочим расчетом в параллели с помощью Parallel Computing Toolbox™.