Типы опроса

Использование полного опроса в обобщенном поиске по шаблону

В качестве примера рассмотрим следующую функцию.

f(x1,x2)={x12+x2225для x12+x2225x12+(x29)216для x12+(x29)2160иначе.

Следующий рисунок показывает график функции.

 Код для генерации рисунка

Глобальный минимум функции происходит в (0, 0), где его значение составляет -25. Однако функция также имеет локальный минимум в (0, 9), где ее значение составляет -16.

Чтобы создать файл, который вычисляет функцию, скопируйте и вставьте следующий код в новый файл в MATLAB® Редактор.

function z = poll_example(x)
if x(1)^2 + x(2)^2 <= 25
    z = x(1)^2 + x(2)^2 - 25;
elseif x(1)^2 + (x(2) - 9)^2 <= 16
    z = x(1)^2 + (x(2) - 9)^2 - 16;
else z = 0;
end

Сохраните файл следующим poll_example.m в папке по пути MATLAB.

Чтобы запустить поиск шаблона функции, введите следующее.

options = optimoptions('patternsearch','Display','iter');
[x,fval] = patternsearch(@poll_example,[0,5],...
    [],[],[],[],[],[],[],options)

MATLAB возвращает таблицу итераций и решение.

x =

     0     9


fval =

   -16

Алгоритм начинается с a = оценки функции в начальной точке, f (0, 5) = 0. Опрос оценивает следующее во время первых итераций.

f ((0, 5) + (1, 0)) = f (1, 5) = 0

f ((0, 5) + (0, 1)) = f (0, 6) = -7

Как только поиск опрашивает точку сетки (0, 6), при которой значение целевой функции меньше, чем в начальной точке, он останавливает опрос текущего mesh и устанавливает текущую точку при следующей итерации равной (0, 6). Следовательно, поиск движется к локальному минимуму на (0, 9) при первой итерации. Вы видите это, глядя на первые две линии отображения командной строки.

Iter     f-count     f(x)      MeshSize     Method
    0        1         0             1      
    1        3        -7             2     Successful Poll

Обратите внимание, что поиск шаблона выполняет только две оценки целевой функции при первой итерации, увеличивая общее количество функций с 1 до 3.

Далее задайте UseCompletePoll на true и повторите оптимизацию.

options.UseCompletePoll = true;
[x,fval] = patternsearch(@poll_example,[0,5],...
    [],[],[],[],[],[],[],options);

На этот раз поиск шаблона находит глобальный минимум на (0, 0). Различие между этим запуском и предыдущим заключается в том, что с UseCompletePoll установлено на trueПри первой итерации поиск шаблона опрашивает весь четыре сетчатый.

f ((0, 5) + (1, 0)) = f (1, 5) = 0

f ((0, 5) + (0, 1)) = f (0, 6) = -6

f ((0, 5) + (-1, 0)) = f (-1, 5) = 0

f ((0, 5) + (0, -1)) = f (0, 4) = -9

Поскольку последняя точка сетки имеет самое низкое значение целевой функции, поиск по шаблону выбирает его как текущую точку при следующей итерации. Первые две линии командной строки показывают это.

Iter     f-count     f(x)      MeshSize     Method
    0        1         0             1      
    1        5        -9             2     Successful Poll

В этом случае целевая функция оценивается четыре раза при первой итерации. В результате поиск шаблона движется к глобальному минимуму на (0, 0).

Следующий рисунок сравнивает последовательность точек, возвращаемых, когда Complete poll установлено на Off с последовательностью, когда Complete poll On.

 Код для генерации рисунка

Сравнение эффективности опций опроса

Этот пример показов, как несколько опции опроса взаимодействуют с точки зрения итераций и общих вычислений функции. Основные результаты:

  • GSS более эффективен, чем GPS или MADS для линейно ограниченных задач.

  • Задает ли UseCompletePoll на true увеличивает эффективность или уменьшает эффективность неясно, хотя и влияет на количество итераций.

  • Точно так же имеет ли 2N опрос более или менее эффективен, чем наличие Np1 опрос также неясен. Самый эффективный опрос GSS Positive Basis Np1 с Complete poll установленным значением on. Наименее эффективным является MADS Positive Basis Np1 с Complete poll установленным значением on.

Примечание

Эффективность алгоритма зависит от задачи. GSS эффективен для линейно ограниченных задач. Однако предсказать последствия эффективности других опций опроса трудно, как и знать, какой тип опроса лучше всего работает с другими ограничениями.

Настройка задачи

Задача та же, что и в Solve Using patternsearch в Optimize Live Editor Task. Эта линейно ограниченная задача использует lincontest7 файл, который поставляется с тулбоксом:

  1. Введите следующее в рабочее рабочее пространство MATLAB.

    x0 = [2 1 0 9 1 0];
    Aineq = [-8 7 3 -4 9 0];
    bineq = 7;
    Aeq = [7 1 8 3 3 3; 5 0 -5 1 -5 8; -2 -6 7 1 1 9; 1 -1 2 -2 3 -3];
    beq = [84 62 65 1];
  2. Установите начальные опции и целевую функцию.

    options = optimoptions('patternsearch',...
        'PollMethod','GPSPositiveBasis2N',...
        'PollOrderAlgorithm','consecutive',...
        'UseCompletePoll',false);
    fun = @lincontest7;
  3. Запустите оптимизацию, назвав output структура outputgps2noff.

    [x,fval,exitflag,outputgps2noff] = patternsearch(fun,x0,...
        Aineq,bineq,Aeq,beq,[],[],[],options);
  4. Установите опции, чтобы использовать полный опрос.

    options.UseCompletePoll = true;
  5. Запустите оптимизацию, назвав output структура outputgps2non.

    [x,fval,exitflag,outputgps2non] = patternsearch(fun,x0,...
        Aineq,bineq,Aeq,beq,[],[],[],options);
  6. Продолжите подобным образом, чтобы создать структуры output для других методов опроса с UseCompletePoll установите true и false: outputgss2noff, outputgss2non, outputgssnp1off, outputgssnp1on, outputmads2noff, outputmads2non, outputmadsnp1off, и outputmadsnp1on.

Исследуйте результаты

У вас есть результаты 12 запусков оптимизации. Следующая таблица показывает эффективность запусков, измеренную в общем количестве функций и итерациях. Ваши результаты MADS могут отличаться, поскольку MADS является стохастическим алгоритмом.

АлгоритмКоличество функцийИтерации
GPS2N, завершите опрос off1462136
GPS2N, завершите опрос на139696
GPSNp1, завершите опрос off864118
GPSNp1, завершите опрос на1007104
GSS2N, завершите опрос off75884
GSS2N, завершите опрос на88974
GSSNp1, завершите опрос off53394
GSSNp1, завершите опрос на49170
MADS2N, завершите опрос off922162
MADS2N, завершите опрос на2285273
MADSNp1, завершите опрос off1155201
MADSNp1, завершите опрос на1651201

Чтобы получить, скажем, первую строку таблицы, введите gps2noff.output.funccount и gps2noff.output.iterations. Можно также изучить опции в редакторе Переменных, дважды щелкнув опции в браузере Рабочей области, а затем дважды щелкнув мышью на output структура.

Кроме того, вы можете получить доступ к данным из структур output.

[outputgps2noff.funccount,outputgps2noff.iterations]
ans =

        1462         136

Основные результаты, извлеченные из таблицы:

  • Настройка UseCompletePoll на true обычно уменьшает количество итераций для GPS и GSS, но изменение количества вычислений функции непредсказуемо.

  • Настройка UseCompletePoll на true не обязательно изменяет количество итераций для MADS, но существенно увеличивает количество вычислений функции.

  • Самые эффективные настройки алгоритма/опций с эффективностью, означающей самое низкое количество функций:

    1. 'GSSPositiveBasisNp1' с UseCompletePoll установлено на true (количество функций 491)

    2. 'GSSPositiveBasisNp1' с UseCompletePoll установлено на false (количество функций 533)

    3. 'GSSPositiveBasis2N' с UseCompletePoll установлено на false (количество функций 758)

    4. 'GSSPositiveBasis2N' с UseCompletePoll установлено на true (количество функций 889)

    Другие методы опроса имели количество функций, превышающее 900.

  • Для этой проблемы самый эффективный опрос 'GSSPositiveBasisNp1' с UseCompletePoll установлено на true, хотя и UseCompletePoll установка имеет только небольшое различие. Наименее эффективный опрос 'MADSPositiveBasis2N' с UseCompletePoll установлено на true. В этом случае UseCompletePoll установка имеет существенное различие.

Похожие темы

Для просмотра документации необходимо авторизоваться на сайте