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 запуска. Этот вызов приводит к идентичным результатам к эквивалентному вызову cgoptimstore/evaluate
.
Y = gridEvaluate(optimstore, X, objconname)
оценивает цели/ограничения, заданные в массиве ячеек objconname
аналогичный описанному 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
количество целей, NCON
количество ограничений и NPTS
количество строк в P
. Далее, Y(I, J, K)
значение J-ой цели/ограничения 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
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
данный rowind
аналогичный описанному выше. Y
length
(rowind
) length
(objconname
) npts
матрица.