Документация

Создать код для fmincon

В этом примере показано, как создать код для fmincon решатель оптимизации. Для создания кода требуется лицензия MATLAB ® Coder™. Для получения подробной информации о требованиях к созданию кода см. Создание кода в фоновом режиме fmincon.

В примере используется следующая простая целевая функция. Чтобы использовать эту целевую функцию в собственном тестировании, скопируйте код в файл с именем rosenbrockwithgrad.m. Сохраните файл по 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

Создание кода с помощью rosenbrockwithgrad целевая функция, создайте файл с именем test_rosen.m содержащий этот код:

function [x,fval] = test_rosen
opts = optimoptions('fmincon','Algorithm','sqp');
[x fval] = fmincon(@rosenbrockwithgrad,[-1,1],[],[],[],[],[-3,-3],[3,3],[],opts)

Создание кода для test_rosen файл.

codegen -config:mex test_rosen

Через некоторое время, codegen создает файл MEX с именем test_rosen_mex.mexw64 (расширение файла зависит от системы). Результирующий код C можно запустить путем ввода test_rosen_mex. Результаты следующие или подобные:

x =

    1.0000    1.0000


fval =

   1.3346e-11


ans =

    1.0000    1.0000

Изменить пример эффективности

Следуя некоторым предложениям в Optimization Code Generation for Real-Time Applications, установите конфигурацию сгенерированного кода, чтобы иметь меньше проверок и использовать статическое распределение памяти.

cfg = coder.config('mex');
cfg.IntegrityChecks = false;
cfg.SaturateOnIntegerOverflow = false;
cfg.DynamicMemoryAllocation = 'Off';

Затяните границы проблемы из [-3,3] кому [-2,2]. Кроме того, установите более низкий допуск оптимальности, чем по умолчанию 1e-6.

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)

Создание кода для test_rosen2 файл.

codegen -config cfg test_rosen2

Запустите результирующий 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 вывод вокруг 2e-11 по сравнению с предыдущим 1e-11.

Попробуйте ограничить число разрешенных итераций половиной от числа, использованного при предыдущем вычислении.

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)

Управляемый 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 жестким пределом итерации, fmincon не достигает хорошего решения. Компромисс между точностью и скоростью может быть трудным для управления.

Чтобы сохранить анализ функций и, возможно, повысить точность, используйте встроенные производные примера, установив SpecifyObjectiveGradient опция для 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)

Создать код для test_rosen4 с использованием той же конфигурации, что и в test_rosen2.

codegen -config cfg test_rosen4

Запустите результирующий 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, число итераций одинаково при 40, но число оценок функций ниже при 113 вместо 155. Результат имеет лучшее (меньшее) значение целевой функции 3e-20 по сравнению с 2e-11.