Прежде чем вы начнете решать задачу оптимизации, необходимо выбрать соответствующий подход: основанный на проблеме или основанный на решателе. Для получения дополнительной информации смотрите, Сначала Выбирают Problem-Based or Solver-Based Approach.
Линейный метод наименьших квадратов решает min || C *x - d || 2, возможно с границами или линейными ограничениями.
Для подхода, основанного на проблеме создайте переменные задачи, и затем представляйте целевую функцию и ограничения в терминах этих символьных переменных. Для основанных на проблеме шагов, чтобы взять, смотрите Основанный на проблеме Рабочий процесс Оптимизации. Чтобы решить получившуюся задачу, использовать solve.
Для основанных на решателе шагов, чтобы взять, включая определение целевой функции и ограничений и выбора соответствующего решателя, смотрите Настройку Задачи Оптимизации на Основе Решателя. Чтобы решить получившуюся задачу, использовать lsqlin или для неотрицательной задачи для метода наименьших квадратов можно также использовать lsqnonneg.
| Optimize | Оптимизируйте или решите уравнения в Live Editor |
Кратчайшее расстояние до плоскости
Показывает, как решить задачу линейного метода наименьших квадратов с помощью подхода, основанного на проблеме.
Неотрицательная линейная задача для метода наименьших квадратов, основанная на проблеме
Показывает, как решить неотрицательную линейную задачу методом наименьших квадратов с помощью подхода, основанного на проблеме и нескольких решателей.
Крупномасштабный ограниченный линейный метод наименьших квадратов, основанный на проблеме
Решает оптическую deblurring задачу с помощью подхода, основанного на проблеме.
Запишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Оптимизируйте Live Editor Тэска с lsqlin Решателем
Пример, показывающий Оптимизировать задачу Live Editor и линейный метод наименьших квадратов.
Неотрицательная линейная задача для метода наименьших квадратов, основанная на решателе
В этом примере показано, как использовать несколько алгоритмов, чтобы решить задачу линейного метода наименьших квадратов со связанным ограничением, что решение является неотрицательным.
Функция умножения якобиана с линейным методом наименьших квадратов
Пример, показывающий, как сохранить память в большой структурированной проблеме линейного метода наименьших квадратов.
Лучшые практики горячего запуска
Описывает, как лучше всего использовать горячий запуск для ускорения повторных решений.
Крупномасштабный ограниченный линейный метод наименьших квадратов, основанный на решателе
Решает оптическую deblurring задачу с помощью основанного на решателе подхода.
Генерация кода в линейном методе наименьших квадратов: Фон
Необходимые условия, чтобы сгенерировать код С для линейного метода наименьших квадратов.
Пример генерации кода для линейного метода наименьших квадратов.
Генерация кода оптимизации для приложений реального времени
Исследуйте методы для обработки требований в реальном времени в сгенерированном коде.
Запишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Основанные на проблеме алгоритмы оптимизации
Как оптимизационные функции и объекты решают задачи оптимизации.
Поддерживаемые операции на переменных и выражениях оптимизации
Списки все доступные математические и индексирующие операции на переменных и выражениях оптимизации.
Наименьшие квадраты (подбор кривой модели) алгоритмы
Минимизация суммы квадратов в размерностях n только со связанными или линейными ограничениями.
Исследуйте опции оптимизации.