При использовании автоматического дифференцирования, основанного на проблеме solve
функция обычно требует меньшего количества вычислений функции и может действовать более надежно.
По умолчанию, solve
использует автоматическое дифференцирование, чтобы оценить градиенты объективных и нелинейных ограничительных функций, когда применимо. Автоматическое дифференцирование применяется к функциям, которые описываются в терминах операций на переменных оптимизации, не используя fcn2optimexpr
функция. Смотрите Автоматическое Дифференцирование в Optimization Toolbox и Преобразуйте Нелинейную Функцию в Выражение Оптимизации.
Рассмотрите задачу минимизации следующей целевой функции:
Создайте задачу оптимизации, представляющую эти переменные и выражение целевой функции.
prob = optimproblem; x = optimvar('x',2); y = optimvar('y',2); fun1 = 100*(x(2) - x(1)^2)^2 + (1 - x(1))^2; fun2 = exp(-sum((x - y).^2))*exp(-exp(-y(1)))*sech(y(2)); prob.Objective = fun1 - fun2;
Минимизация подвергается нелинейному ограничению .
prob.Constraints.cons = sum(x.^2 + y.^2) <= 4;
Решите задачу, начинающую с начальной точки.
init.x = [-1;2]; init.y = [1;-1]; [xproblem,fvalproblem,exitflagproblem,outputproblem] = solve(prob,init);
Solving problem using fmincon. Local minimum found that satisfies the constraints. Optimization completed because the objective function is non-decreasing in feasible directions, to within the value of the optimality tolerance, and constraints are satisfied to within the value of the constraint tolerance.
disp(fvalproblem)
-0.5500
disp(outputproblem.funcCount)
77
disp(outputproblem.iterations)
46
output
структура показывает тот solve
вызовы fmincon
, который требует, чтобы 77 вычислений функции и 46 итераций решили задачу. Значением целевой функции в решении является fvalproblem = -0.55
.
Чтобы определить увеличение эффективности от автоматического дифференцирования, установите solve
аргументы пары "имя-значение", чтобы использовать градиенты конечной разности вместо этого.
[xfd,fvalfd,exitflagfd,outputfd] = solve(prob,init,... "ObjectiveDerivative",'finite-differences',"ConstraintDerivative",'finite-differences');
Solving problem using fmincon. Local minimum found that satisfies the constraints. Optimization completed because the objective function is non-decreasing in feasible directions, to within the value of the optimality tolerance, and constraints are satisfied to within the value of the constraint tolerance.
disp(fvalfd)
-0.5500
disp(outputfd.funcCount)
264
disp(outputfd.iterations)
46
Используя конечную разность приближение градиента вызывает solve
взять 269 вычислений функции по сравнению с 77. Количество итераций является почти тем же самым, как значение целевой функции, о котором сообщают, в решении. Точки конечного решения являются тем же самым к точности отображения.
disp([xproblem.x,xproblem.y])
0.8671 1.0433 0.7505 0.5140
disp([xfd.x,xfd.y])
0.8671 1.0433 0.7505 0.5140
Таким образом, основной эффект автоматического дифференцирования в оптимизации состоит в том, чтобы понизить количество вычислений функции.