Сетевая оценка целей и ограничений оптимизации
Y = gridEvaluate(optimstore, X) Y = gridEvaluate(optimstore, X, objconname) Y = gridEvaluate(optimstore, X, objconname, datasetname) Y = gridEvaluate(optimstore, X, objconname, datasetname, rowind)
Метод cgoptimstore.
Y = gridEvaluate(optimstore, X) оценивает все цели и ограничения в точках X для текущего запуска. Этот вызов дает те же результаты, что и эквивалентный вызов cgoptimstore/evaluate.
Y = gridEvaluate(optimstore, X, objconname) оценивает цели/ограничения, заданные в массиве ячеек objconname как описано выше.
Y = gridEvaluate(optimstore, X, objconname, datasetname) оценивает все цели и ограничения во всех комбинациях точек в datasetname с X. Матрица возвратов, Y, имеет размер SIZE(X,1)-by-(NOBJ+NCON)-by-NPTS, где NOBJ количество целей, NCON количество ограничений и NPTS количество строк в P. Далее, Y(I, J, K) - значение J-ой цели/ограничения в X(I, :) и P(K, :). Y масштабируется на [-1 1].
Цели: O1, O2
Ограничения: C1, C2
Основной набор данных:
| A | B |
|---|---|
4 | 5 |
1 | 3 |
Свободные переменные:
| X1 | X2 | X3 |
|---|---|---|
2 | 4 | 8 |
1 | 9 | 3 |
6 | 2 | 7 |
X
В этом случае следующая команда
Y = gridEvaluate(optimstore, X)
оценивает цели и ограничения в следующих точках:
| A | B | X1 | X2 | X3 |
|---|---|---|---|---|
4 | 5 | 2 | 4 | 8 |
4 | 5 | 1 | 9 | 3 |
4 | 5 | 6 | 2 | 7 |
1 | 3 | 2 | 4 | 8 |
1 | 3 | 1 | 9 | 3 |
1 | 3 | 6 | 2 | 7 |
Y - матрица 3 на 4 на 2, где
Y (:, 1, 1) = Значения 01 при A = 4, B = 5
Y (:, 2, 1) = Значения 02 при A = 4, B = 5
Y (:, 3, 1) = Значения C1 при A = 4, B = 5
Y (:, 4, 1) = Значения C2 при A = 4, B = 5
Y (:, 1, 2) = Значения 01 при A = 1, B = 3
Y (:, 2, 2) = Значения 02 при A = 1, B = 3
Y (:, 3, 2) = Значения C1 при A = 1, B = 3
Y (:, 4, 2) = Значения C2 при A = 1, B = 3
Y = gridEvaluate(optimstore, X, objconname, datasetname, rowind)
оценивает указанные цели/ограничения в точках datasetname задается rowind как описано выше. Y является length(rowind) по length(objconname) по npts матрица.
