Прежде чем приступить к решению задачи оптимизации, необходимо выбрать подходящий подход: на основе задач или на основе решателей. Дополнительные сведения см. в разделе Первый выбор подхода на основе проблем или подхода на основе решателей.
Нелинейные наименьшие квадраты решают min (∑||F (xi) - yi | | 2), где F (xi) - нелинейная функция, а yi - данные. См. раздел Нелинейные наименьшие квадраты (фитинг кривой).
Для подхода, основанного на проблемах, создайте переменные задачи, а затем представьте целевую функцию и ограничения в терминах этих символьных переменных. Шаги, выполняемые на основе проблем, см. в разделе Рабочий процесс оптимизации на основе проблем. Для решения возникшей проблемы используйте solve.
Шаги, выполняемые на основе решателя, включая определение целевой функции и ограничений, а также выбор соответствующего решателя, см. в разделе Настройка задачи оптимизации на основе решателя. Для решения возникшей проблемы используйте lsqcurvefit или lsqnonlin.
| Оптимизировать | Оптимизация или решение уравнений в интерактивном редакторе |
Нелинейные наименьшие квадраты, основанные на проблемах
Основной пример нелинейных наименьших квадратов с использованием проблемного подхода.
Нелинейная подгонка данных с использованием нескольких проблемных подходов
Решение задачи подгонки методом наименьших квадратов с использованием различных решателей и различных подходов к линейным параметрам.
Вписать ОДУ, на основе проблем
Подгонка параметров на ОДУ с использованием наименьших квадратов на основе проблем.
Запись целевой функции для наименьших квадратов, основанных на проблемах
Правила синтаксиса для наименьших квадратов, основанных на проблемах.
Основной пример, показывающий несколько способов решения проблемы подгонки данных.
Показывает, как решить минимум функции Розенброка с помощью различных решателей с градиентами или без них.
lsqnonlin с моделью Simulink ®
Пример подгонки моделируемой модели.
Нелинейные наименьшие квадраты без якобиана и включая
Пример, показывающий использование аналитических производных в нелинейных наименьших квадратах.
Нелинейный фитинг кривой с lsqcurvefit
Пример выполнения нелинейной подгонки данных с помощью lsqcurvefit.
Соответствие обычному дифференциальному уравнению (ОДУ)
Пример подгонки параметров ОДУ к данным или подгонки параметров кривой к решению ОДУ.
Подгонка модели к данным со сложным значением
Пример, показывающий, как решить нелинейную задачу наименьших квадратов, которая имеет комплексные данные.
Создание кода в нелинейных наименьших квадратах: фон
Предпосылки для создания кода C для нелинейных наименьших квадратов.
Создать код для lsqcurvefit или lsqnonlin
Пример генерации кода для нелинейных наименьших квадратов.
Создание кода оптимизации для приложений реального времени
Изучите методы обработки требований в реальном времени в сгенерированном коде.
Что такое параллельные вычисления в инструменте оптимизации?
Для оптимизации используйте несколько процессоров.
Использование параллельных вычислений в инструменте оптимизации
Выполнить оценку градиента параллельно.
Повышение производительности благодаря параллельным вычислениям
Изучите факторы ускорения оптимизации.
Запись целевой функции для наименьших квадратов, основанных на проблемах
Правила синтаксиса для наименьших квадратов, основанных на проблемах.
Алгоритмы наименьших квадратов (подгонка модели)
Сведение к минимуму суммы квадратов в n размерах с только связанными или линейными ограничениями.
Ссылка на параметры оптимизации
Изучите возможности оптимизации.