fmincon
В этом примере показано, как сгенерировать код для fmincon
решатель оптимизации. Генерация кода требует лицензии MATLAB® Coder™. Для получения дополнительной информации требований генерации кода, смотрите Генерацию кода в fmincon Фоне.
Пример использует следующую простую целевую функцию. Чтобы использовать эту целевую функцию в вашем собственном тестировании, скопируйте код в файл с именем rosenbrockwithgrad.m
. Сохраните файл на своем пути MATLAB.
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
Сгенерировать код с помощью rosenbrockwithgrad
целевая функция, создайте файл с именем test_rosen.m
содержа этот код:
function [x,fval] = test_rosen opts = optimoptions('fmincon','Algorithm','sqp'); [x fval] = fmincon(@rosenbrockwithgrad,[-1,1],[],[],[],[],[-3,-3],[3,3],[],opts)
Сгенерируйте код для test_rosen
файл.
codegen -config:mex test_rosen
Через какое-то время, codegen
создает файл MEX под названием test_rosen_mex.mexw64
(расширение файла будет варьироваться, в зависимости от вашей системы). Можно запустить получившийся код С путем ввода test_rosen_mex
. Результаты следующие или подобны:
x = 1.0000 1.0000 fval = 1.3346e-11 ans = 1.0000 1.0000
После некоторых предложений в Генерации кода Оптимизации для Приложений реального времени, набор настройка сгенерированного кода, чтобы иметь меньше проверок и использовать выделение статического ЗУ.
cfg = coder.config('mex'); cfg.IntegrityChecks = false; cfg.SaturateOnIntegerOverflow = false; cfg.DynamicMemoryAllocation = 'Off';
Сожмите границы на проблеме от [-3,3]
к [-2,2]
. Кроме того, установите более свободную погрешность оптимальности, чем 1e-6
по умолчанию.
function [x,fval] = test_rosen2 opts = optimoptions('fmincon','Algorithm','sqp',... 'OptimalityTolerance',1e-5); [x fval eflag output] = fmincon(@rosenbrockwithgrad,[-1,1],[],[],[],[],... [-2,-2],[2,2],[],opts)
Сгенерируйте код для test_rosen2
файл.
codegen -config cfg test_rosen2
Запустите получившийся код.
test_rosen2_mex
x = 1.0000 1.0000 fval = 2.0057e-11 eflag = 2 output = struct with fields: iterations: 40 funcCount: 155 algorithm: 'sqp' constrviolation: 0 stepsize: 5.9344e-08 lssteplength: 1 ans = 1.0000 1.0000
Это решение почти так же хорошо как предыдущее решение с fval
выведите вокруг 2e-11
по сравнению с предыдущим 1e-11
.
Попытайтесь ограничить количество позволенных итераций к половине из взятых в предыдущем расчете.
function [x,fval] = test_rosen3 options = optimoptions('fmincon','Algorithm','sqp',... 'MaxIterations',20); [x fval eflag output] = fmincon(@rosenbrockwithgrad,[-1,1],[],[],[],[],... [-2,-2],[2,2],[],options)
Запустите test_rosen3
в MATLAB.
test_rosen3
x = 0.2852 0.0716 fval = 0.5204 eflag = 0 output = struct with fields: iterations: 20 funcCount: 91 algorithm: 'sqp' message: '↵Solver stopped prematurely.↵↵fmincon stopped because it exceeded the iteration limit,↵options.MaxIterations = 2.000000e+01.↵↵' constrviolation: 0 stepsize: 0.0225 lssteplength: 1 firstorderopt: 1.9504 ans = 0.2852 0.0716
С этим серьезным пределом итерации, fmincon
не достигает хорошего решения. Компромисс между точностью и скоростью может затруднить, чтобы справиться.
Чтобы сохранить вычисления функции и возможно увеличить точность, используйте встроенные производные примера путем установки SpecifyObjectiveGradient
опция к true
.
function [x,fval] = test_rosen4 options = optimoptions('fmincon','Algorithm','sqp',... 'SpecifyObjectiveGradient',true); [x fval eflag output] = fmincon(@rosenbrockwithgrad,[-1,1],[],[],[],[],... [-2,-2],[2,2],[],options)
Сгенерируйте код для test_rosen4
использование той же настройки как в test_rosen2
.
codegen -config cfg test_rosen4
Запустите получившийся код.
test_rosen4_mex
x = 1.0000 1.0000 fval = 3.3610e-20 eflag = 2 output = struct with fields: iterations: 40 funcCount: 113 algorithm: 'sqp' constrviolation: 0 stepsize: 9.6356e-08 lssteplength: 1 ans = 1.0000 1.0000
По сравнению с test_rosen2
, количество итераций является тем же самым в 40, но количество вычислений функции ниже в 113
вместо 155
. Результат имеет лучшее (более низкое) значение целевой функции 3e-20
по сравнению с 2e-11
.
fmincon
| optimoptions
| codegen
(MATLAB Coder)