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.
Нелинейный метод наименьших квадратов решает min (∑ | F (xi) - yi | |2), где F (xi) является нелинейной функцией, а yi - данными. См. Нелинейные методы наименьших квадратов (Аппроксимирование Кривыми).
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 lsqcurvefit или lsqnonlin.
| Optimize | Оптимизируйте или решите уравнения в Live Editor |
Нелинейный метод наименьших квадратов, основанный на проблеме
Основной пример нелинейного метода наименьших квадратов с использованием основанного на проблеме подхода.
Нелинейная подгонка данных с использованием нескольких основанных на проблеме подходов
Решите задачу аппроксимации методом наименьших квадратов, используя другие решатели и различные подходы к линейным параметрам.
Подгонка ОДУ, основанная на проблеме
Подгонка параметров на ОДУ с использованием основанных на проблеме наименьших квадратов.
Напишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Основной пример, показывающий несколько способов решить задачу подгонки данных.
Показывает, как решить для минимума функции Розенбрка с помощью других решателей, с градиентами или без.
lsqnonlin с моделью Simulink ®
Пример подбора кривой моделируемой модели.
Нелинейные методы наименьших квадратов без и включая якобиан
Пример, показывающий использование аналитических производных в нелинейных методах наименьших квадратов.
Нелинейное аппроксимирование кривыми с lsqcurvefit
Пример, показывающий, как выполнить нелинейную подгонку данных с lsqcurvefit.
Подбор обыкновенного дифференциального уравнения (ОДУ)
Пример, показывающий аппроксимацию параметров ОДУ к данным или аппроксимацию параметров кривой к решению ОДУ.
Подбор модели к комплексно-оцененным данным
Пример, показывающий, как решить нелинейный метод наименьших квадратов задачу, которая имеет комплексные данные.
Генерация кода в нелинейных методах наименьших квадратов: фон
Необходимые условия для генерации кода С для нелинейных методов наименьших квадратов.
Сгенерируйте код для lsqcurvefit или lsqnonlin
Пример генерации кода для нелинейных методов наименьших квадратов.
Генерация кода оптимизации для приложений реального времени
Исследуйте методы обработки требований в реальном времени в сгенерированном коде.
Что такое параллельные вычисления в Optimization Toolbox?
Используйте несколько процессоров для оптимизации.
Использование параллельных вычислений в Optimization Toolbox
Выполните оценку градиента параллельно.
Повышение эффективности при параллельных вычислениях
Исследуйте факторы для ускорения оптимизации.
Напишите целевую функцию для основанных на проблеме наименьших квадратов
Синтаксические правила для основанных на проблеме наименьших квадратов.
Алгоритмы наименьших квадратов (Model Fitting)
Минимизация суммы квадратов в n размерностях с помощью только связанных или линейных ограничений.
Исследуйте опции оптимизации.