В этом примере показано, как создать и минимизировать целевую функцию с помощью поиска по шаблону.
Для этой задачи целевой функцией для минимизации является простая функция от переменной 2-D x
.
simple_objective(x) = (4 - 2.1*x(1)^2 + x(1)^4/3)*x(1)^2 + x(1)*x(2) + (-4 + 4*x(2)^2)*x(2)^2;
Эта функция известна как «кулачок», как описано в L.C.W. Диксон и Г. П. Шего [1].
Создайте файл MATLAB с именем simple_objective.m
содержащий следующий код:
type simple_objective
function y = simple_objective(x) %SIMPLE_OBJECTIVE Objective function for PATTERNSEARCH solver % Copyright 2004 The MathWorks, Inc. x1 = x(1); x2 = x(2); y = (4-2.1.*x1.^2+x1.^4./3).*x1.^2+x1.*x2+(-4+4.*x2.^2).*x2.^2;
Решатели, такие как patternsearch
принять одну входную x
, где x
имеет столько элементов, сколько переменных в задаче. Целевая функция вычисляет скалярное значение целевой функции и возвращает его в своем единственном выходном аргументе y
.
patternsearch
Задайте целевую функцию как указатель на функцию.
ObjectiveFunction = @simple_objective;
Задайте начальную точку для решателя.
x0 = [0.5 0.5]; % Starting point
Вызовите решатель, запросив оптимальную точку x
и значение функции в оптимальной точке fval
.
[x,fval] = patternsearch(ObjectiveFunction,x0)
Optimization terminated: mesh size less than options.MeshTolerance.
x = 1×2
-0.0898 0.7127
fval = -1.0316
Иногда ваша целевая функция имеет дополнительные аргументы, которые действуют как константы во время оптимизации. Для примера, в simple_objective
Можно хотеть задать константы 4, 2.1 и 4 как переменные параметры, чтобы создать семейство целевых функций.
Переписать simple_objective
взять три дополнительных параметра (p1
, p2
, и p3
), которые действуют как константы во время оптимизации (они не варьируются как часть минимизации). Чтобы реализовать вычисление целевой функции, файл MATLAB parameterized_objective.m
содержит следующий код:
type parameterized_objective
function y = parameterized_objective(x,p1,p2,p3) %PARAMETERIZED_OBJECTIVE Objective function for PATTERNSEARCH solver % Copyright 2004 The MathWorks, Inc. x1 = x(1); x2 = x(2); y = (p1-p2.*x1.^2+x1.^4./3).*x1.^2+x1.*x2+(-p3+p3.*x2.^2).*x2.^2;
patternsearch
вызывает целевую функцию всего с одним аргументом x
, но параметризованная целевая функция имеет четыре аргумента: x
, p1
, p2
, и p3
. Используйте анонимную функцию, чтобы захватить значения дополнительных аргументов p1
, p2
, и p3
. Создайте указатель на функцию ObjectiveFunction
анонимной функции, которая принимает один вход x
, но звонит parameterized_objective
с x
, p1
, p2
, и p3
. Когда вы создаете указатель на функцию ObjectiveFunction
, переменные p1
, p2
, и p3
имеют значения, которые хранятся в анонимной функции. Для получения дополнительной информации смотрите Передачу дополнительных параметров.
p1 = 4; p2 = 2.1; p3 = 4; % Define constant values
ObjectiveFunction = @(x) parameterized_objective(x,p1,p2,p3);
[x,fval] = patternsearch(ObjectiveFunction,x0)
Optimization terminated: mesh size less than options.MeshTolerance.
x = 1×2
-0.0898 0.7127
fval = -1.0316
По умолчанию patternsearch
переходит в одной точке за раз к целевой функции. Иногда можно ускорить решатель путем векторизации целевой функции, чтобы взять набор точек и вернуть набор значений функции.
Для решателя, чтобы вычислить набор из пяти точек в одном вызове целевой функции, например, решатель вызывает цель на матрице размера 5 на 2 (где 2 - количество переменных). Для получения дополнительной информации смотрите Векторизация функций «Цель» и «Ограничения».
Для векторизации parameterized_objective
, используйте следующий код:
type vectorized_objective
function y = vectorized_objective(x,p1,p2,p3) %VECTORIZED_OBJECTIVE Objective function for PATTERNSEARCH solver % Copyright 2004-2018 The MathWorks, Inc. x1 = x(:,1); % First column of x x2 = x(:,2); y = (p1 - p2.*x1.^2 + x1.^4./3).*x1.^2 + x1.*x2 + (-p3 + p3.*x2.^2).*x2.^2;
Эта векторизованная версия целевой функции принимает матрицу x
с произвольным числом точек (строки x
) и возвращает вектор-столбец y
чья длина является количеством строк x
.
Чтобы воспользоваться векторизованной целевой функцией, установите UseVectorized
опция для true
и UseCompletePoll
опция для true
. patternsearch
требует, чтобы обе эти опции вычислялись векторизированным способом.
options = optimoptions(@patternsearch,'UseVectorized',true,'UseCompletePoll',true);
Задайте целевую функцию и вызовите patternsearch
, включая options
аргумент. Использование tic/toc
для оценки времени решения.
ObjectiveFunction = @(x) vectorized_objective(x,4,2.1,4); tic [x,fval] = patternsearch(ObjectiveFunction,x0,[],[],[],[],[],[],[],options)
Optimization terminated: mesh size less than options.MeshTolerance.
x = 1×2
-0.0898 0.7127
fval = -1.0316
toc
Elapsed time is 0.027503 seconds.
Оцените невекторизованное время решения для сравнения.
tic [x,fval] = patternsearch(ObjectiveFunction,x0)
Optimization terminated: mesh size less than options.MeshTolerance.
x = 1×2
-0.0898 0.7127
fval = -1.0316
toc
Elapsed time is 0.027502 seconds.
В этом случае векторизация не оказывает существенного влияния на время решения.
[1] Dixon, L.C. W., and G .P. Szego (eds.). К глобальной оптимизации 2. Северная Голландия: Elsevier Science Ltd., Амстердам, 1978.