Решить проблему без якобиана

Вспомогательная функция myfun определенный в конце этого примера реализует целевую функцию с векторными значениями без производной информации. Решение минимизации, начиная с точки x0.

x0 = [0.3,0.4]; % Starting guess
[x,resnorm,res,eflag,output] = lsqnonlin(@myfun,x0); % Invoke optimizer

Local minimum possible.
lsqnonlin stopped because the size of the current step is less than
the value of the step size tolerance.

Проверьте решение и количество оценок функций.

disp(x)

    0.2578    0.2578

disp(resnorm)

  124.3622

disp(output.funcCount)

    72

Решить проблему, включая якобианскую

Целевая функция достаточно проста, чтобы можно было вычислить её якобиан. Следуя определению в якобианах векторных функций, якобинская функция представляет матрицу

Здесь $${}_{\mathrm{Fk}}(x$$) - k-й компонент целевой функции. Этот пример имеет

так

Вспомогательная функция myfun2 определенный в конце этого примера реализует целевую функцию с якобианом. Задайте параметры, чтобы решатель использовал якобиан.

opts = optimoptions(@lsqnonlin,'SpecifyObjectiveGradient',true);

Запустите решатель.

lb = []; % No bounds
ub = [];
[x2,resnorm2,res2,eflag2,output2] = lsqnonlin(@myfun2,x0,lb,ub,opts);

Local minimum possible.
lsqnonlin stopped because the size of the current step is less than
the value of the step size tolerance.

Решение совпадает с предыдущим решением.

disp(x2)

    0.2578    0.2578

disp(resnorm2)

  124.3622

Преимущество использования Jacobian заключается в том, что решатель принимает гораздо меньше оценок функций.

disp(output2.funcCount)

    24

Вспомогательные функции

Этот код создает myfun функция помощника.

function F = myfun(x)
k = 1:10;
F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));
end

Этот код создает myfun2 функция помощника.

function [F,J] = myfun2(x)
k = 1:10;
F = 2 + 2*k-exp(k*x(1))-exp(k*x(2));
if nargout > 1
    J = zeros(10,2);
    J(k,1) = -k.*exp(k*x(1));
    J(k,2) = -k.*exp(k*x(2));
end
end