Прежде чем вы начнете решать задачу оптимизации, необходимо выбрать соответствующий подход: основанный на проблеме или основанный на решателе. Для получения дополнительной информации смотрите Первый выбор Основанный на проблеме или Основанный на решателе подход.
Линейный метод наименьших квадратов решает min||<reservedrangesplaceholder2>*<reservedrangesplaceholder1> - d | |2, возможно с ограничениями или линейными ограничениями.
Для основанного на проблеме подхода создайте переменные задачи, а затем представьте целевую функцию и ограничения с точки зрения этих символьных переменных. Для выполнения основанных на проблеме шагов смотрите Рабочий процесс оптимизации на основе задач. Чтобы решить полученную задачу, используйте solve.
Для шагов, основанных на решателе, включая определение целевой функции и ограничений, и выбор соответствующего решателя, см. «Настройка задачи оптимизации на основе решателя». Чтобы решить полученную задачу, используйте lsqlin или, для неотрицательной задачи для метода наименьших квадратов, можно также использовать lsqnonneg.
| Optimize | Оптимизируйте или решите уравнения в Live Editor |
Кратчайшее расстояние до плоскости
Показы, как решить линейный метод наименьших квадратов задачу с помощью подхода , основанного на проблеме.
Неотрицательная линейная задача для метода наименьших квадратов, основанная на проблеме
Показывает, как решить неотрицательную линейную задачу методом наименьших квадратов с помощью основанного на проблеме подхода и нескольких решателей.
Крупномасштабный линейный метод наименьших квадратов с ограничениями, основанный на проблеме
Решает оптическую задачу удаления отходов, используя основанный на проблеме подход.
Напишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Оптимизируйте задачу Live Editor с помощью lsqlin Solver
Пример, показывающий задачу Оптимизации Live Editor и линейные методы наименьших квадратов.
Неотрицательная линейная задача для метода наименьших квадратов, основанная на решателе
Этот пример показов, как использовать несколько алгоритмов, чтобы решить линейный метод наименьших квадратов задачу с ограниченным ограничением, что решение неотрицательно.
Функция умножения якобиана с линейными методами наименьших квадратов
Пример, показывающий, как сохранить память в большой структурированной линейным методом наименьших квадратов задаче.
Лучшие практики теплого старта
Описывает, как лучше всего использовать теплый старт для ускорения повторных решений.
Крупномасштабный линейный метод наименьших квадратов с ограничениями, основанный на решателе
Решает оптическую задачу деблёрринга с помощью основанного на решателе подхода.
Генерация кода в линейных методах наименьших квадратов: фон
Необходимые условия для генерации кода С для линейных методов наименьших квадратов.
Пример генерации кода для линейных методов наименьших квадратов.
Генерация кода оптимизации для приложений реального времени
Исследуйте методы обработки требований в реальном времени в сгенерированном коде.
Напишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Основанные на проблеме алгоритмы оптимизации
Как оптимизационные функции и объекты решают задачи оптимизации.
Поддерживаемые операции с переменными оптимизации и выражениями
Приводит список всех доступных математических операций и операций индексации для переменных оптимизации и выражений.
Алгоритмы наименьших квадратов (Model Fitting)
Минимизация суммы квадратов в n размерностях с помощью только связанных или линейных ограничений.
Исследуйте опции оптимизации.
