Решите проблема уравнения или задача оптимизации
Использование solve
найти решение проблемы уравнения или задачи оптимизации.
Совет
Для полного рабочего процесса смотрите Основанный на проблеме Рабочий процесс Оптимизации или Основанный на проблеме Рабочий процесс для Решения уравнений.
изменяет процесс решения с помощью одного или нескольких аргументов пары "имя-значение" в дополнение к входным параметрам в предыдущих синтаксисах.sol
= solve(___,Name,Value
)
Решите задачу линейного программирования, заданную задачей оптимизации.
x = optimvar('x'); y = optimvar('y'); prob = optimproblem; prob.Objective = -x - y/3; prob.Constraints.cons1 = x + y <= 2; prob.Constraints.cons2 = x + y/4 <= 1; prob.Constraints.cons3 = x - y <= 2; prob.Constraints.cons4 = x/4 + y >= -1; prob.Constraints.cons5 = x + y >= 1; prob.Constraints.cons6 = -x + y <= 2; sol = solve(prob)
Solving problem using linprog. Optimal solution found.
sol = struct with fields:
x: 0.6667
y: 1.3333
Найдите минимум peaks
функция, которая включена в MATLAB® в области . Для этого создайте переменные x
оптимизации и
y
.
x = optimvar('x'); y = optimvar('y');
Создайте задачу оптимизации, имеющую peaks
как целевая функция.
prob = optimproblem("Objective",peaks(x,y));
Включайте ограничение как неравенство в переменных оптимизации.
prob.Constraints = x^2 + y^2 <= 4;
Установите начальную точку для x
к 1 и y
к –1, и решают задачу.
x0.x = 1; x0.y = -1; sol = solve(prob,x0)
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.
sol = struct with fields:
x: 0.2283
y: -1.6255
Неподдерживаемые функции требуют fcn2optimexpr
Если ваши объективные или нелинейные ограничительные функции не полностью состоят из элементарных функций, необходимо преобразовать функции в выражения оптимизации с помощью fcn2optimexpr
. Смотрите преобразуют нелинейную функцию в выражение оптимизации и поддерживаемые операции для переменных и выражений оптимизации.
Преобразовывать существующий пример:
convpeaks = fcn2optimexpr(@peaks,x,y); prob.Objective = convpeaks; sol2 = solve(prob,x0)
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.
sol2 = struct with fields:
x: 0.2283
y: -1.6255
Copyright 2018–2020 The MathWorks, Inc.
Сравните количество шагов, чтобы решить задачу целочисленного программирования и с и без начальной допустимой точки. Проблема имеет восемь целочисленных переменных и четыре линейных ограничения равенства, и все переменные ограничиваются, чтобы быть положительными.
prob = optimproblem; x = optimvar('x',8,1,'LowerBound',0,'Type','integer');
Создайте четыре линейных ограничения равенства и включайте их в проблему.
Aeq = [22 13 26 33 21 3 14 26 39 16 22 28 26 30 23 24 18 14 29 27 30 38 26 26 41 26 28 36 18 38 16 26]; beq = [ 7872 10466 11322 12058]; cons = Aeq*x == beq; prob.Constraints.cons = cons;
Создайте целевую функцию и включайте ее в проблему.
f = [2 10 13 17 7 5 7 3]; prob.Objective = f*x;
Решите задачу, не используя начальную точку и исследуйте отображение, чтобы видеть количество узлов метода ветвей и границ.
[x1,fval1,exitflag1,output1] = solve(prob);
Solving problem using intlinprog. LP: Optimal objective value is 1554.047531. Cut Generation: Applied 8 strong CG cuts. Lower bound is 1591.000000. Branch and Bound: nodes total num int integer relative explored time (s) solution fval gap (%) 10000 0.83 0 - - 18027 1.44 1 2.906000e+03 4.509804e+01 21859 1.85 2 2.073000e+03 2.270974e+01 23546 2.01 3 1.854000e+03 1.180593e+01 24121 2.07 3 1.854000e+03 1.563342e+00 24294 2.08 3 1.854000e+03 0.000000e+00 Optimal solution found. Intlinprog stopped because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).
Для сравнения найдите решение с помощью начальной допустимой точки.
x0.x = [8 62 23 103 53 84 46 34]'; [x2,fval2,exitflag2,output2] = solve(prob,x0);
Solving problem using intlinprog. LP: Optimal objective value is 1554.047531. Cut Generation: Applied 8 strong CG cuts. Lower bound is 1591.000000. Relative gap is 59.20%. Branch and Bound: nodes total num int integer relative explored time (s) solution fval gap (%) 3627 0.36 2 2.154000e+03 2.593968e+01 5844 0.57 3 1.854000e+03 1.180593e+01 6204 0.61 3 1.854000e+03 1.455526e+00 6400 0.63 3 1.854000e+03 0.000000e+00 Optimal solution found. Intlinprog stopped because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).
fprintf('Without an initial point, solve took %d steps.\nWith an initial point, solve took %d steps.',output1.numnodes,output2.numnodes)
Without an initial point, solve took 24294 steps. With an initial point, solve took 6400 steps.
Предоставление начальной точки не всегда улучшает проблему. Для этой проблемы, с помощью начальной точки экономит время и вычислительные шаги. Однако для некоторых проблем, начальная точка может вызвать solve
сделать больше шагов.
Решите задачу
не показывая итеративное отображение.
x = optimvar('x',2,1,'LowerBound',0); x3 = optimvar('x3','Type','integer','LowerBound',0,'UpperBound',1); prob = optimproblem; prob.Objective = -3*x(1) - 2*x(2) - x3; prob.Constraints.cons1 = x(1) + x(2) + x3 <= 7; prob.Constraints.cons2 = 4*x(1) + 2*x(2) + x3 == 12; options = optimoptions('intlinprog','Display','off'); sol = solve(prob,'Options',options)
sol = struct with fields:
x: [2x1 double]
x3: 1
Исследуйте решение.
sol.x
ans = 2×1
0
5.5000
sol.x3
ans = 1
intlinprog
решить линейную программуОбеспечьте solve
использовать intlinprog
как решатель для задачи линейного программирования.
x = optimvar('x'); y = optimvar('y'); prob = optimproblem; prob.Objective = -x - y/3; prob.Constraints.cons1 = x + y <= 2; prob.Constraints.cons2 = x + y/4 <= 1; prob.Constraints.cons3 = x - y <= 2; prob.Constraints.cons4 = x/4 + y >= -1; prob.Constraints.cons5 = x + y >= 1; prob.Constraints.cons6 = -x + y <= 2; sol = solve(prob,'Solver', 'intlinprog')
Solving problem using intlinprog. LP: Optimal objective value is -1.111111. Optimal solution found. No integer variables specified. Intlinprog solved the linear problem.
sol = struct with fields:
x: 0.6667
y: 1.3333
Решите смешано-целочисленную задачу линейного программирования, описанную в, Решают задачу Целочисленного программирования с Опциями Не по умолчанию и исследуют все выходные данные.
x = optimvar('x',2,1,'LowerBound',0); x3 = optimvar('x3','Type','integer','LowerBound',0,'UpperBound',1); prob = optimproblem; prob.Objective = -3*x(1) - 2*x(2) - x3; prob.Constraints.cons1 = x(1) + x(2) + x3 <= 7; prob.Constraints.cons2 = 4*x(1) + 2*x(2) + x3 == 12; [sol,fval,exitflag,output] = solve(prob)
Solving problem using intlinprog. LP: Optimal objective value is -12.000000. Optimal solution found. Intlinprog stopped at the root node because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).
sol = struct with fields:
x: [2x1 double]
x3: 1
fval = -12
exitflag = OptimalSolution
output = struct with fields:
relativegap: 0
absolutegap: 0
numfeaspoints: 1
numnodes: 0
constrviolation: 0
message: 'Optimal solution found....'
solver: 'intlinprog'
Для проблемы без любых целочисленных ограничений можно также получить непустую структуру множителя Лагранжа как пятый выход.
Создайте и решите задачу оптимизации с помощью названный индексными переменными. Проблема состоит в том, чтобы максимизировать взвешенный прибылью поток фруктов в различные аэропорты согласно ограничениям на взвешенные потоки.
rng(0) % For reproducibility p = optimproblem('ObjectiveSense', 'maximize'); flow = optimvar('flow', ... {'apples', 'oranges', 'bananas', 'berries'}, {'NYC', 'BOS', 'LAX'}, ... 'LowerBound',0,'Type','integer'); p.Objective = sum(sum(rand(4,3).*flow)); p.Constraints.NYC = rand(1,4)*flow(:,'NYC') <= 10; p.Constraints.BOS = rand(1,4)*flow(:,'BOS') <= 12; p.Constraints.LAX = rand(1,4)*flow(:,'LAX') <= 35; sol = solve(p);
Solving problem using intlinprog. LP: Optimal objective value is -1027.472366. Heuristics: Found 1 solution using ZI round. Upper bound is -1027.233133. Relative gap is 0.00%. Optimal solution found. Intlinprog stopped at the root node because the objective value is within a gap tolerance of the optimal value, options.AbsoluteGapTolerance = 0 (the default value). The intcon variables are integer within tolerance, options.IntegerTolerance = 1e-05 (the default value).
Найдите оптимальный поток апельсинов и ягод в Нью-Йорк и Лос-Анджелес.
[idxFruit,idxAirports] = findindex(flow, {'oranges','berries'}, {'NYC', 'LAX'})
idxFruit = 1×2
2 4
idxAirports = 1×2
1 3
orangeBerries = sol.flow(idxFruit, idxAirports)
orangeBerries = 2×2
0 980.0000
70.0000 0
Это отображение означает, что никакие апельсины не идут в NYC
, 70 ягод идут в NYC
, 980 апельсинов идут в LAX
, и никакие ягоды не идут в LAX
.
Перечислите оптимальный поток следующего:
Fruit Airports
----- --------
Berries NYC
Apples BOS
Oranges LAX
idx = findindex(flow, {'berries', 'apples', 'oranges'}, {'NYC', 'BOS', 'LAX'})
idx = 1×3
4 5 10
optimalFlow = sol.flow(idx)
optimalFlow = 1×3
70.0000 28.0000 980.0000
Это отображение означает, что 70 ягод идут в NYC
, 28 яблок идут в BOS
, и 980 апельсинов идут в LAX
.
Решить нелинейную систему уравнений
с помощью подхода, основанного на проблеме сначала задайте x
как двухэлементная переменная оптимизации.
x = optimvar('x',2);
Создайте первое уравнение как выражение равенства оптимизации.
eq1 = exp(-exp(-(x(1) + x(2)))) == x(2)*(1 + x(1)^2);
Точно так же создайте второе уравнение как выражение равенства оптимизации.
eq2 = x(1)*cos(x(2)) + x(2)*sin(x(1)) == 1/2;
Создайте проблему уравнения и поместите уравнения в проблему.
prob = eqnproblem; prob.Equations.eq1 = eq1; prob.Equations.eq2 = eq2;
Рассмотрите проблему.
show(prob)
EquationProblem : Solve for: x eq1: exp((-exp((-(x(1) + x(2)))))) == (x(2) .* (1 + x(1).^2)) eq2: ((x(1) .* cos(x(2))) + (x(2) .* sin(x(1)))) == 0.5
Решите задачу, начинающую с точки [0,0]
. Для подхода, основанного на проблеме задайте начальную точку как структуру с именами переменных как поля структуры. Для этой проблемы существует только одна переменная, x
.
x0.x = [0 0]; [sol,fval,exitflag] = solve(prob,x0)
Solving problem using fsolve. Equation solved. fsolve completed because the vector of function values is near zero as measured by the value of the function tolerance, and the problem appears regular as measured by the gradient.
sol = struct with fields:
x: [2x1 double]
fval = struct with fields:
eq1: -2.4070e-07
eq2: -3.8255e-08
exitflag = EquationSolved
Просмотрите точку решения.
disp(sol.x)
0.3532 0.6061
Неподдерживаемые функции требуют fcn2optimexpr
Если ваши функции уравнения не состоят из элементарных функций, необходимо преобразовать функции в выражения оптимизации с помощью fcn2optimexpr
. Для существующего примера:
ls1 = fcn2optimexpr(@(x)exp(-exp(-(x(1)+x(2)))),x); eq1 = ls1 == x(2)*(1 + x(1)^2); ls2 = fcn2optimexpr(@(x)x(1)*cos(x(2))+x(2)*sin(x(1)),x); eq2 = ls2 == 1/2;
Смотрите поддерживаемые операции для переменных и выражений оптимизации и преобразуйте нелинейную функцию в выражение оптимизации.
prob
— Задача оптимизации или проблема уравненияOptimizationProblem
возразите | EquationProblem
объектЗадача оптимизации или проблема уравнения в виде OptimizationProblem
возразите или EquationProblem
объект. Создайте задачу оптимизации при помощи optimproblem
; создайте проблему уравнения при помощи eqnproblem
.
Предупреждение
Основанный на проблеме подход не поддерживает комплексные числа в целевой функции, нелинейных равенствах и нелинейных неравенствах. Если при вычислении функции встретится комплексное число, даже как промежуточное значение, конечный результат может оказаться неправильным.
Пример: prob = optimproblem; prob.Objective = obj; prob.Constraints.cons1 = cons1;
Пример: prob = eqnproblem; prob.Equations = eqs;
x0
— Начальная точкаНачальная точка в виде структуры с именами полей равняется именам переменных в prob
.
Для некоторых решателей Global Optimization Toolbox, x0
может быть массив структур, представляющий несколько начальных точек. Эти решатели:
ga
(Global Optimization Toolbox) и particleswarm
(Global Optimization Toolbox). Эти решатели принимают несколько начальных точек как члены начальной генеральной совокупности.
surrogateopt
(Global Optimization Toolbox). Этот решатель признает, что несколько начальных букв указывают, чтобы помочь создавать начальный суррогат.
Для примера с помощью x0
с именованными индексными переменными смотрите, Создают Начальную Точку для Оптимизации с Именованными Индексными переменными.
Пример: если prob
имеет переменные под названием x
и y
: x0.x = [3,2,17]; x0.y = [pi/3,2*pi/3]
.
Типы данных: struct
Задайте дополнительные разделенные запятой пары Name,Value
аргументы. Name
имя аргумента и Value
соответствующее значение. Name
должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN
.
solve(prob,'Options',opts)
Options
— Опции оптимизацииoptimoptions
| структура опцийОпции оптимизации в виде объекта, созданного optimoptions
или структура опций такой, как создано optimset
.
Внутренне, solve
вызовы функции соответствующий решатель, как детализировано в 'solver'
ссылка аргумента. Убедитесь, что options
совместимо с решателем. Например, intlinprog
не позволяет опциям быть структурой и lsqnonneg
не позволяет опциям быть объектом.
Для предложений на настройках опций, чтобы улучшить intlinprog
решение или скорость решения, смотрите Настраивающееся Целочисленное Линейное Программирование. Для linprog
, 'dual-simplex'
по умолчанию алгоритм обычно эффективен памятью и быстр. Иногда,
linprog
решает большую задачу быстрее когда Algorithm
опцией является 'interior-point'
. Для предложений на настройках опций, чтобы улучшить решение нелинейной проблемы, см. широко использующиеся Опции: Настройка и Поиск и устранение проблем и Улучшает Результаты.
Пример: options = optimoptions('intlinprog','Display','none')
Solver
— Решатель оптимизации'intlinprog'
| 'linprog'
| 'lsqlin'
| 'lsqcurvefit'
| 'lsqnonlin'
| 'lsqnonneg'
| 'quadprog'
| 'fminunc'
| 'fmincon'
| 'fzero'
| 'fsolve'
| 'coneprog'
| 'ga'
| 'patternsearch'
| 'particleswarm'
| 'surrogateopt'
| 'simulannealbnd'
Решатель оптимизации в виде имени перечисленного решателя. Для задач оптимизации эта таблица содержит доступные решатели для каждого проблемного типа, включая решатели от Global Optimization Toolbox. Детали для проблем уравнения появляются ниже деталей решателя оптимизации.
Для преобразования нелинейных проблем с целочисленным ограничительным использованием prob2struct
, получившаяся структура задачи может зависеть от выбранного решателя. Если у вас нет лицензии Global Optimization Toolbox, необходимо задать решатель. Смотрите Целочисленные Ограничения в Нелинейной Основанной на проблеме Оптимизации.
Решатель по умолчанию для каждого типа задачи оптимизации перечислен здесь.
Проблемный тип | Решатель по умолчанию |
---|---|
Линейное программирование (LP) | linprog |
Смешано-целочисленное линейное программирование (MILP) | intlinprog |
Квадратичное программирование (QP) | quadprog |
Коническое программирование второго порядка (SOCP) | coneprog |
Линейный метод наименьших квадратов | lsqlin |
Нелинейный метод наименьших квадратов | lsqnonlin |
Нелинейное программирование (NLP) |
|
Смешано-целочисленное нелинейное программирование (MINLP) | ga (Global Optimization Toolbox) |
В этой таблице, означает, что решатель доступен для проблемного типа, x означает, что решатель не доступен.
Проблемный тип | LP | MILP | QP | SOCP | Линейный метод наименьших квадратов | Нелинейный метод наименьших квадратов | NLP | MINLP |
---|---|---|---|---|---|---|---|---|
Решатель | ||||||||
linprog |
| x | x | x | x | x | x | x |
intlinprog |
|
| x | x | x | x | x | x |
quadprog |
| x |
|
|
| x | x | x |
coneprog |
| x | x |
| x | x | x | x |
lsqlin | x | x | x | x |
| x | x | x |
lsqnonneg | x | x | x | x |
| x | x | x |
lsqnonlin | x | x | x | x |
|
| x | x |
fminunc |
| x |
| x |
|
|
| x |
fmincon |
| x |
|
|
|
|
| x |
patternsearch (Global Optimization Toolbox) |
| x |
|
|
|
|
| x |
ga (Global Optimization Toolbox) |
|
|
|
|
|
|
|
|
particleswarm (Global Optimization Toolbox) |
| x |
| x |
|
|
| x |
simulannealbnd (Global Optimization Toolbox) |
| x |
| x |
|
|
| x |
surrogateopt (Global Optimization Toolbox) |
|
|
|
|
|
|
|
|
Примечание
Если вы выбираете lsqcurvefit
как решатель для задачи наименьших квадратов, solve
использование lsqnonlin
. lsqcurvefit
и lsqnonlin
решатели идентичны для solve
.
Внимание
Для проблем максимизации (prob.ObjectiveSense
"max"
или "maximize"
), не задавайте решатель наименьших квадратов (один с именем, начинающим lsq
). Если вы делаете, solve
выдает ошибку, потому что эти решатели не могут максимизировать.
Для решения уравнения эта таблица содержит доступные решатели для каждого проблемного типа. В таблице,
* указывает на решатель по умолчанию для проблемного типа.
Y указывает на доступный решатель.
N указывает на недоступный решатель.
Поддерживаемые решатели для уравнений
Тип уравнения | lsqlin | lsqnonneg | fzero | fsolve | lsqnonlin |
---|---|---|---|---|---|
Линейный | * | N | Y (только скаляр) | Y | Y |
Линейный плюс границы | * | Y | N | N | Y |
Нелинейный скаляр | N | N | * | Y | Y |
Нелинейная система | N | N | N | * | Y |
Нелинейная система плюс границы | N | N | N | N | * |
Пример: 'intlinprog'
Типы данных: char |
string
ObjectiveDerivative
— Индикация, чтобы использовать автоматическое дифференцирование для целевой функции'auto'
(значение по умолчанию) | 'auto-forward'
| 'auto-reverse'
| 'finite-differences'
Индикация, чтобы использовать автоматическое дифференцирование (AD) для нелинейной целевой функции в виде 'auto'
(используйте AD если возможный), 'auto-forward'
(используйте прямой AD если возможный), 'auto-reverse'
(используйте противоположный AD если возможный), или 'finite-differences'
(не используйте AD). Выбор включая auto
заставьте базовый решатель использовать информацию о градиенте при решении задачи при условии, что целевая функция поддерживается, как описано в Поддерживаемых Операциях для Переменных и выражений Оптимизации. Для примера смотрите Эффект Автоматического Дифференцирования в Основанной на проблеме Оптимизации.
Решатели выбирают следующий тип AD по умолчанию:
Для общей нелинейной целевой функции, fmincon
значения по умолчанию, чтобы инвертировать AD для целевой функции. fmincon
значения по умолчанию, чтобы инвертировать AD для нелинейного ограничения функционируют, когда количество нелинейных ограничений меньше количества переменных. В противном случае, fmincon
значения по умолчанию, чтобы передать AD для нелинейной ограничительной функции.
Для общей нелинейной целевой функции, fminunc
значения по умолчанию, чтобы инвертировать AD.
Для целевой функции наименьших квадратов, fmincon
и fminunc
значение по умолчанию, чтобы передать AD для целевой функции. Для определения основанной на проблеме целевой функции наименьших квадратов смотрите Целевую функцию Записи для Основанных на проблеме Наименьших квадратов.
lsqnonlin
значения по умолчанию, чтобы передать AD, когда число элементов в объективном векторе больше или равно количеству переменных. В противном случае, lsqnonlin
значения по умолчанию, чтобы инвертировать AD.
fsolve
значения по умолчанию, чтобы передать AD, когда количество уравнений больше или равно количеству переменных. В противном случае, fsolve
значения по умолчанию, чтобы инвертировать AD.
Пример: 'finite-differences'
Типы данных: char |
string
ConstraintDerivative
— Индикация, чтобы использовать автоматическое дифференцирование для ограничительных функций'auto'
(значение по умолчанию) | 'auto-forward'
| 'auto-reverse'
| 'finite-differences'
Индикация, чтобы использовать автоматическое дифференцирование (AD) для нелинейного ограничения функционирует в виде 'auto'
(используйте AD если возможный), 'auto-forward'
(используйте прямой AD если возможный), 'auto-reverse'
(используйте противоположный AD если возможный), или 'finite-differences'
(не используйте AD). Выбор включая auto
заставьте базовый решатель использовать информацию о градиенте при решении задачи при условии, что ограничительные функции поддерживаются, как описано в Поддерживаемых Операциях для Переменных и выражений Оптимизации. Для примера смотрите Эффект Автоматического Дифференцирования в Основанной на проблеме Оптимизации.
Решатели выбирают следующий тип AD по умолчанию:
Для общей нелинейной целевой функции, fmincon
значения по умолчанию, чтобы инвертировать AD для целевой функции. fmincon
значения по умолчанию, чтобы инвертировать AD для нелинейного ограничения функционируют, когда количество нелинейных ограничений меньше количества переменных. В противном случае, fmincon
значения по умолчанию, чтобы передать AD для нелинейной ограничительной функции.
Для общей нелинейной целевой функции, fminunc
значения по умолчанию, чтобы инвертировать AD.
Для целевой функции наименьших квадратов, fmincon
и fminunc
значение по умолчанию, чтобы передать AD для целевой функции. Для определения основанной на проблеме целевой функции наименьших квадратов смотрите Целевую функцию Записи для Основанных на проблеме Наименьших квадратов.
lsqnonlin
значения по умолчанию, чтобы передать AD, когда число элементов в объективном векторе больше или равно количеству переменных. В противном случае, lsqnonlin
значения по умолчанию, чтобы инвертировать AD.
fsolve
значения по умолчанию, чтобы передать AD, когда количество уравнений больше или равно количеству переменных. В противном случае, fsolve
значения по умолчанию, чтобы инвертировать AD.
Пример: 'finite-differences'
Типы данных: char |
string
EquationDerivative
— Индикация, чтобы использовать автоматическое дифференцирование для уравнений'auto'
(значение по умолчанию) | 'auto-forward'
| 'auto-reverse'
| 'finite-differences'
Индикация, чтобы использовать автоматическое дифференцирование (AD) для нелинейного ограничения функционирует в виде 'auto'
(используйте AD если возможный), 'auto-forward'
(используйте прямой AD если возможный), 'auto-reverse'
(используйте противоположный AD если возможный), или 'finite-differences'
(не используйте AD). Выбор включая auto
заставьте базовый решатель использовать информацию о градиенте при решении задачи при условии, что функции уравнения поддерживаются, как описано в Поддерживаемых Операциях для Переменных и выражений Оптимизации. Для примера смотрите Эффект Автоматического Дифференцирования в Основанной на проблеме Оптимизации.
Решатели выбирают следующий тип AD по умолчанию:
Для общей нелинейной целевой функции, fmincon
значения по умолчанию, чтобы инвертировать AD для целевой функции. fmincon
значения по умолчанию, чтобы инвертировать AD для нелинейного ограничения функционируют, когда количество нелинейных ограничений меньше количества переменных. В противном случае, fmincon
значения по умолчанию, чтобы передать AD для нелинейной ограничительной функции.
Для общей нелинейной целевой функции, fminunc
значения по умолчанию, чтобы инвертировать AD.
Для целевой функции наименьших квадратов, fmincon
и fminunc
значение по умолчанию, чтобы передать AD для целевой функции. Для определения основанной на проблеме целевой функции наименьших квадратов смотрите Целевую функцию Записи для Основанных на проблеме Наименьших квадратов.
lsqnonlin
значения по умолчанию, чтобы передать AD, когда число элементов в объективном векторе больше или равно количеству переменных. В противном случае, lsqnonlin
значения по умолчанию, чтобы инвертировать AD.
fsolve
значения по умолчанию, чтобы передать AD, когда количество уравнений больше или равно количеству переменных. В противном случае, fsolve
значения по умолчанию, чтобы инвертировать AD.
Пример: 'finite-differences'
Типы данных: char |
string
sol
РешениеРешение, возвращенное как структура. Поля структуры являются именами переменных оптимизации. Смотрите optimvar
.
fval
— Значение целевой функции в решенииЗначение целевой функции в решении, возвращенном как одно из следующего:
Проблемный тип | Возвращенное значение |
---|---|
Оптимизируйте скалярную целевую функцию f (x) | Вещественное число f (sol) |
Метод наименьших квадратов | Вещественное число, сумма квадратов остаточных значений в решении |
Уравнение Solve | Если prob.Equations однократный въезд: Вектор действительных чисел значений функции в решении, означая левую сторону минус правая сторона уравнений |
Если prob.Equations имеет несколько именованных полей: Структура с теми же именами как prob.Equations , где каждое значение поля является левой стороной минус правая сторона именованных уравнений |
Совет
Если вы забыли просить fval
для цели, заданной как выражение выражения или уравнения оптимизации, можно вычислить его использование
fval = evaluate(prob.Objective,sol)
Если цель задана как структура только с одним полем,
fval = evaluate(prob.Objective.ObjectiveName,sol)
Если цель является структурой с несколькими полями, запишите цикл.
fnames = fields(prob.Equations); for i = 1:length(fnames) fval.(fnames{i}) = evaluate(prob.Equations.(fnames{i}),sol); end
exitflag
— Обоснуйте остановленный решательОбоснуйте, что остановленный решатель, возвратился как переменная перечисления. Можно преобразовать exitflag
к его числовому эквивалентному использованию double(exitflag)
, и к его строке эквивалентное использование string(exitflag)
.
Эта таблица описывает выходные флаги для intlinprog
решатель.
Выйдите из флага для intlinprog | Числовой эквивалент | Значение |
---|---|---|
OptimalWithPoorFeasibility | 3
| Решение выполнимо относительно относительного |
IntegerFeasible | 2 | intlinprog остановленный преждевременно и найденный целочисленной допустимой точкой. |
OptimalSolution | 1 | Решатель сходился к решению |
SolverLimitExceeded | 0 |
Смотрите допуски и критерий остановки. |
OutputFcnStop | -1
| intlinprog зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2 | Никакая допустимая точка не найдена. |
Unbounded | -3 | Проблема неограниченна. |
FeasibilityLost | -9 | Решатель потерял выполнимость. |
Exitflags 3
и -9
относитесь к решениям, которые имеют большой infeasibilities. Они обычно являются результатом линейных ограничительных матриц, которые имеют большое число обусловленности или проблемы, которые имеют большие компоненты решения. Чтобы откорректировать эти проблемы, попытайтесь масштабировать содействующие матрицы, устранить избыточные линейные ограничения или дать более трудные границы на переменных.
Эта таблица описывает выходные флаги для linprog
решатель.
Выйдите из флага для linprog | Числовой эквивалент | Значение |
---|---|---|
OptimalWithPoorFeasibility | 3
| Решение выполнимо относительно относительного |
OptimalSolution | 1
| Решатель сходился к решению |
SolverLimitExceeded | 0
| Количество итераций превышает |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена. |
Unbounded | -3
| Проблема неограниченна. |
FoundNaN | -4
|
|
PrimalDualInfeasible | -5
| И основные и двойные проблемы неосуществимы. |
DirectionTooSmall | -7
| Поисковое направление слишком мало. Никакие дальнейшие успехи не могут быть сделаны. |
FeasibilityLost | -9
| Решатель потерял выполнимость. |
Exitflags 3
и -9
относитесь к решениям, которые имеют большой infeasibilities. Они обычно являются результатом линейных ограничительных матриц, которые имеют большое число обусловленности или проблемы, которые имеют большие компоненты решения. Чтобы откорректировать эти проблемы, попытайтесь масштабировать содействующие матрицы, устранить избыточные линейные ограничения или дать более трудные границы на переменных.
Эта таблица описывает выходные флаги для lsqlin
решатель.
Выйдите из флага для lsqlin | Числовой эквивалент | Значение |
---|---|---|
FunctionChangeBelowTolerance | 3
| Изменение в невязке меньше, чем заданный допуск |
StepSizeBelowTolerance | 2 | Размер шага, меньший, чем |
OptimalSolution | 1
| Решатель сходился к решению |
SolverLimitExceeded | 0
| Количество итераций превышает |
NoFeasiblePointFound | -2
| Для задач оптимизации проблема неосуществима. Или, для Для проблем уравнения не найдено никакое решение. |
IllConditioned | -4
| Плохо создание условий предотвращает дальнейшую оптимизацию. |
NoDescentDirectionFound | -8
| Поисковое направление слишком мало. Никакие дальнейшие успехи не могут быть сделаны. ( |
Эта таблица описывает выходные флаги для quadprog
решатель.
Выйдите из флага для quadprog | Числовой эквивалент | Значение |
---|---|---|
LocalMinimumFound | 4
| Локальный минимум найден; минимум не уникален. |
FunctionChangeBelowTolerance | 3
| Изменение в значении целевой функции меньше, чем заданный допуск |
StepSizeBelowTolerance | 2 | Размер шага, меньший, чем |
OptimalSolution | 1
| Решатель сходился к решению |
SolverLimitExceeded | 0
| Количество итераций превышает |
NoFeasiblePointFound | -2
| Проблема неосуществима. Или, для |
IllConditioned | -4
| Плохо создание условий предотвращает дальнейшую оптимизацию. |
Nonconvex | -6 | Невыпуклая проблема обнаруживается. ( |
NoDescentDirectionFound | -8
| Не мог вычислить направление шага. ( |
Эта таблица описывает выходные флаги для coneprog
решатель.
Выйдите из флага для coneprog | Числовой эквивалент | Значение |
---|---|---|
OptimalSolution | 1
| Решатель сходился к решению |
SolverLimitExceeded | 0
| Количество итераций превышает |
NoFeasiblePointFound | -2
| Проблема неосуществима. |
Unbounded | -3
| Проблема неограниченна. |
DirectionTooSmall | -7 | Поисковое направление стало слишком маленьким. Никакие дальнейшие успехи не могли быть сделаны. |
Unstable | -10
| Проблема численно неустойчива. |
Эта таблица описывает выходные флаги для lsqcurvefit
или lsqnonlin
решатель.
Выйдите из флага для lsqnonlin | Числовой эквивалент | Значение |
---|---|---|
SearchDirectionTooSmall | 4
| Величина поискового направления была меньшей, чем |
FunctionChangeBelowTolerance | 3
| Изменение в невязке было меньше |
StepSizeBelowTolerance | 2 | Размер шага, меньший, чем |
OptimalSolution | 1
| Решатель сходился к решению |
SolverLimitExceeded | 0
| Количество итераций превысило |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2
| Для задач оптимизации проблема неосуществима: границы Для проблем уравнения не найдено никакое решение. |
Эта таблица описывает выходные флаги для fminunc
решатель.
Выйдите из флага для fminunc | Числовой эквивалент | Значение |
---|---|---|
NoDecreaseAlongSearchDirection | 5
| Предсказанное уменьшение в целевой функции меньше |
FunctionChangeBelowTolerance | 3
| Изменение в значении целевой функции меньше |
StepSizeBelowTolerance | 2 | Изменитесь в |
OptimalSolution | 1
| Величина градиента меньше, чем |
SolverLimitExceeded | 0
| Количество итераций превышает |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
Unbounded | -3
| Целевая функция при текущей итерации ниже |
Эта таблица описывает выходные флаги для fmincon
решатель.
Выйдите из флага для fmincon | Числовой эквивалент | Значение |
---|---|---|
NoDecreaseAlongSearchDirection | 5
| Величина косой производной в поисковом направлении меньше 2* |
SearchDirectionTooSmall | 4
| Величина поискового направления меньше 2* |
FunctionChangeBelowTolerance | 3
| Изменение в значении целевой функции меньше |
StepSizeBelowTolerance | 2 | Изменитесь в |
OptimalSolution | 1
| Мера оптимальности первого порядка меньше |
SolverLimitExceeded | 0
| Количество итераций превышает |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена. |
Unbounded | -3
| Целевая функция при текущей итерации ниже |
Эта таблица описывает выходные флаги для fsolve
решатель.
Выйдите из флага для fsolve | Числовой эквивалент | Значение |
---|---|---|
SearchDirectionTooSmall | 4
| Величина поискового направления меньше |
FunctionChangeBelowTolerance | 3
| Изменение в значении целевой функции меньше |
StepSizeBelowTolerance | 2 | Изменитесь в |
OptimalSolution | 1
| Мера оптимальности первого порядка меньше |
SolverLimitExceeded | 0
| Количество итераций превышает |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2
| Сходившийся к точке, которая не является корнем. |
TrustRegionRadiusTooSmall | -3
| Уравнение, не решенное. Доверительный радиус области стал слишком маленьким ( |
Эта таблица описывает выходные флаги для fzero
решатель.
Выйдите из флага для fzero | Числовой эквивалент | Значение |
---|---|---|
OptimalSolution | 1
| Уравнение решено. |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
FoundNaNInfOrComplex | -4
|
|
SingularPoint | -5
| Может сходиться к особой точке. |
CannotDetectSignChange | -6
| Не нашел две точки с противоположными знаками значения функции. |
Эта таблица описывает выходные флаги для patternsearch
решатель.
Выйдите из флага для patternsearch | Числовой эквивалент | Значение |
---|---|---|
SearchDirectionTooSmall | 4
| Величина шага меньше, чем точность машины, и нарушение ограничений меньше |
FunctionChangeBelowTolerance | 3
| Изменение в |
StepSizeBelowTolerance | 2 | Изменитесь в |
SolverConvergedSuccessfully | 1
| Без нелинейных ограничений — величина размера mesh меньше заданного допуска, и нарушение ограничений меньше |
С нелинейными ограничениями — величина complementarity measure (заданный после этой таблицы) меньше | ||
SolverLimitExceeded | 0
| Максимальное количество вычислений функции или итераций достигнуто. |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена. |
В нелинейном ограничительном решателе complementarity measure является нормой вектора, элементами которого является ciλi, где ci является нелинейным нарушением ограничения неравенства, и λi является соответствующим множителем Лагранжа.
Эта таблица описывает выходные флаги для ga
решатель.
Выйдите из флага для ga | Числовой эквивалент | Значение |
---|---|---|
MinimumFitnessLimitReached | 5
| Минимальный предел фитнеса |
SearchDirectionTooSmall | 4
| Величина шага меньше, чем точность машины, и нарушение ограничений меньше |
FunctionChangeBelowTolerance | 3
| Значение функции фитнеса не изменилось в |
SolverConvergedSuccessfully | 1
| Без нелинейных ограничений — Среднее совокупное изменение в значении фитнеса функционируют по |
С нелинейными ограничениями — Величина меры по взаимозависимости (см. Меру по Взаимозависимости (Global Optimization Toolbox)) меньше | ||
SolverLimitExceeded | 0
| Максимальное количество поколений |
OutputFcnStop | -1
| Зашедший выходная функция или функция построения графика. |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена. |
StallTimeLimitExceeded | -4
| Остановите ограничение по времени |
TimeLimitExceeded | -5
| Ограничение по времени |
Эта таблица описывает выходные флаги для particleswarm
решатель.
Выйдите из флага для particleswarm | Числовой эквивалент | Значение |
---|---|---|
SolverConvergedSuccessfully | 1
| Относительное изменение в объективном значении по последнему |
SolverLimitExceeded | 0
| Количество итераций превысило |
OutputFcnStop | -1
| Итерации зашли в выходную функцию или функцию построения графика. |
NoFeasiblePointFound | -2
| Границы противоречивы: для некоторого |
Unbounded | -3
| Лучшее значение целевой функции ниже |
StallTimeLimitExceeded | -4
| Лучшее значение целевой функции не изменилось в |
TimeLimitExceeded | -5
| Время выполнения превысило |
Эта таблица описывает выходные флаги для simulannealbnd
решатель.
Выйдите из флага для simulannealbnd | Числовой эквивалент | Значение |
---|---|---|
ObjectiveValueBelowLimit | 5
| Значение целевой функции меньше |
SolverConvergedSuccessfully | 1
| Среднее изменение в значении целевой функции по |
SolverLimitExceeded | 0
| Максимальное количество поколений |
OutputFcnStop | -1
| Оптимизация отключена выходной функцией или функцией построения графика. |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена. |
TimeLimitExceeded | -5
| Ограничение по времени превышено. |
Эта таблица описывает выходные флаги для surrogateopt
решатель.
Выйдите из флага для surrogateopt | Числовой эквивалент | Значение |
---|---|---|
BoundsEqual | 10
| Проблема имеет уникальное возможное решение из-за одного из следующего:
|
FeasiblePointFound | 3
| Допустимая точка найдена. Решатель остановился, потому что слишком мало новых допустимых точек, как находили, продолжалось. |
ObjectiveLimitAttained | 1
| Значение целевой функции меньше |
SolverLimitExceeded | 0
| Количество вычислений функции превышает |
OutputFcnStop | -1
| Оптимизация отключена выходной функцией или функцией построения графика. |
NoFeasiblePointFound | -2
| Никакая допустимая точка не найдена из-за одного из следующего:
|
output
— Информация о процессе оптимизацииИнформация о процессе оптимизации, возвращенном как структура. Структура output содержит поля в соответствующем базовом решателе выходное поле, в зависимости от который решатель solve
названный:
solve
включает дополнительное поле Solver
в output
структура, чтобы идентифицировать используемый решатель, такой как 'intlinprog'
.
Когда Solver
нелинейный решатель Optimization Toolbox™, solve
включает одно или два дополнительных поля, описывающие производный тип оценки. objectivederivative
и, при необходимости constraintderivative
поля могут принять следующие значения:
"reverse-AD"
для противоположного автоматического дифференцирования
"forward-AD"
для прямого автоматического дифференцирования
"finite-differences"
для оценки конечной разности
"closed-form"
для линейных или квадратичных функций
lambda
— Множители Лагранжа в решенииМножители Лагранжа в решении, возвращенном как структура.
Примечание
solve
не возвращает lambda
для решающих уравнение проблем.
Для intlinprog
и fminunc
решатели, lambda
isempty
. Для других решателей, lambda
имеет эти поля:
Variables
– Содержит поля для каждой переменной задачи. Каждое имя переменной задачи является структурой с двумя полями:
Lower
– Множители Лагранжа сопоставлены с переменной LowerBound
свойство, возвращенное как массив одного размера с переменной. Ненулевые записи означают, что решение в нижней границе. Эти множители находятся в lambda
структуры. Переменные.
.ниже
Upper
– Множители Лагранжа сопоставлены с переменной UpperBound
свойство, возвращенное как массив одного размера с переменной. Ненулевые записи означают, что решение в верхней границе. Эти множители находятся в lambda
структуры. Переменные.
.верхний
Constraints
– Содержит поле для каждого ограничения задач. Каждое ограничение задач находится в структуре, имя которой является ограничительным именем, и чье значение является числовым массивом одного размера с ограничением. Ненулевые записи означают, что ограничение активно в решении. Эти множители находятся в lambda
структуры. Ограничения.
.
Примечание
Элементы ограничительного массива у всех есть то же сравнение (<=
, ==
, или >=
) и все имеют тот же тип (линеен, квадратичен, или нелинеен).
Внутренне, solve
функция решает задачи оптимизации путем вызова решателя. Для решателя по умолчанию для проблемы и поддерживаемых решателей для проблемы, смотрите 'solver'
аргумент.
Перед solve
может вызвать решатель, проблемы должны быть преобразованы в форму решателя, любого solve
или некоторые другие присоединенные функции или объекты. Это преобразование влечет за собой, например, линейные ограничения, имеющие матричное представление, а не переменное выражение оптимизации.
Первый шаг в алгоритме происходит, когда вы помещаете выражения оптимизации в проблему. OptimizationProblem
объект имеет внутренний список переменных, используемых в его выражениях. Каждая переменная имеет линейный индекс в выражении и размер. Поэтому переменные задачи имеют подразумеваемую матричную форму. prob2struct
функция выполняет преобразование от проблемной формы до формы решателя. Для примера смотрите, Преобразуют проблему в Структуру.
Для нелинейных задач оптимизации, solve
использование automatic differentiation, чтобы вычислить градиенты целевой функции и нелинейных ограничительных функций. Эти производные применяются, когда цель и ограничительные функции состоят из Поддерживаемых Операций для Переменных и выражений Оптимизации и не используют fcn2optimexpr
функция. Когда автоматическое дифференцирование не применяется, решатели оценивают производные с помощью конечных разностей. Для получения дополнительной информации автоматического дифференцирования, смотрите Автоматический Фон Дифференцирования.
Для значения по умолчанию и позволенных решателей, что solve
вызовы, в зависимости от проблемной цели и ограничений, смотрите 'solver'
. Можно заменить значение по умолчанию при помощи 'solver'
аргумент пары "имя-значение" при вызове solve
.
Для алгоритма, что intlinprog
использование, чтобы решить задачи MILP, см. intlinprog Алгоритм. Для алгоритмов, что linprog
использование, чтобы решить задачи линейного программирования, см. Линейные Алгоритмы Программирования. Для алгоритмов, что quadprog
использование, чтобы решить задачи квадратичного программирования, см. Алгоритмы Квадратичного программирования. Для линейного или алгоритмов решателя нелинейного метода наименьших квадратов, смотрите Наименьшие квадраты (Подбор кривой Модели) Алгоритмы. Для нелинейных алгоритмов решателя см. Неограниченные Нелинейные Алгоритмы Оптимизации и Ограниченные Нелинейные Алгоритмы Оптимизации.
Для нелинейного решения уравнения, solve
внутренне представляет каждое уравнение как различие между левыми и правыми сторонами. То solve
попытки минимизировать сумму квадратов компонентов уравнения. Для алгоритмов для решения нелинейных систем уравнений смотрите, что уравнение Решает Алгоритмы. Когда проблема также имеет границы, solve
вызовы lsqnonlin
минимизировать сумму квадратов компонентов уравнения. Смотрите Наименьшие квадраты (Подбор кривой Модели) Алгоритмы.
Примечание
Если ваша целевая функция является суммой квадратов, и вы хотите solve
чтобы распознать его как таковой, запишите его как любой norm(expr)^2
или sum(expr.^2)
, и не как expr'*expr
или любая другая форма. Внутренний синтаксический анализатор распознает сумму квадратов только, когда представлено квадратом нормы или явные суммы квадратов. Для получения дополнительной информации смотрите Целевую функцию Записи для Основанных на проблеме Наименьших квадратов. Для примера смотрите Неотрицательную линейную задачу для метода наименьших квадратов, Основанную на проблеме.
Автоматическое дифференцирование (AD) применяется solve
и prob2struct
функции при следующих условиях:
Цель и ограничительные функции поддерживаются, как описано в Поддерживаемых Операциях для Переменных и выражений Оптимизации. Они не требуют использования fcn2optimexpr
функция.
Решатель, вызванный solve
fmincon
, fminunc
, fsolve
, или lsqnonlin
.
Для задач оптимизации, 'ObjectiveDerivative'
и 'ConstraintDerivative'
аргументы пары "имя-значение" для solve
или prob2struct
установлены в 'auto'
(значение по умолчанию), 'auto-forward'
, или 'auto-reverse'
.
Для проблем уравнения, 'EquationDerivative'
опция установлена в 'auto'
(значение по умолчанию), 'auto-forward'
, или 'auto-reverse'
.
Когда AD применяется | Все ограничительные поддерживаемые функции | Одно или несколько ограничений, не поддержанных |
---|---|---|
Поддерживаемая целевая функция | AD используется для цели и ограничений | AD, используемый для цели только |
Целевая функция, не поддерживаемая | AD, используемый для ограничений только | AD, не используемый |
Когда этим условиям не удовлетворяют, solve
оценочные градиенты конечными разностями, и prob2struct
не создает градиенты в его сгенерированных файлах функции.
Решатели выбирают следующий тип AD по умолчанию:
Для общей нелинейной целевой функции, fmincon
значения по умолчанию, чтобы инвертировать AD для целевой функции. fmincon
значения по умолчанию, чтобы инвертировать AD для нелинейного ограничения функционируют, когда количество нелинейных ограничений меньше количества переменных. В противном случае, fmincon
значения по умолчанию, чтобы передать AD для нелинейной ограничительной функции.
Для общей нелинейной целевой функции, fminunc
значения по умолчанию, чтобы инвертировать AD.
Для целевой функции наименьших квадратов, fmincon
и fminunc
значение по умолчанию, чтобы передать AD для целевой функции. Для определения основанной на проблеме целевой функции наименьших квадратов смотрите Целевую функцию Записи для Основанных на проблеме Наименьших квадратов.
lsqnonlin
значения по умолчанию, чтобы передать AD, когда число элементов в объективном векторе больше или равно количеству переменных. В противном случае, lsqnonlin
значения по умолчанию, чтобы инвертировать AD.
fsolve
значения по умолчанию, чтобы передать AD, когда количество уравнений больше или равно количеству переменных. В противном случае, fsolve
значения по умолчанию, чтобы инвертировать AD.
Примечание
Использовать автоматические производные в проблеме, преобразованной prob2struct
, передайте опции, задающие эти производные.
options = optimoptions('fmincon','SpecifyObjectiveGradient',true,... 'SpecifyConstraintGradient',true); problem.options = options;
В настоящее время AD работает только на первые производные; это не применяется к вторым или производным высшего порядка. Так, например, если вы хотите использовать аналитический Гессиан, чтобы ускорить вашу оптимизацию, вы не можете использовать solve
непосредственно, и должен вместо этого использовать подход, описанный в Производных Предоставления в Основанном на проблеме Рабочем процессе.
solve(prob,solver)
, solve(prob,options)
, и solve(prob,solver,options)
синтаксисы были удаленыОшибки, запускающиеся в R2018b
Выбрать опции или базовый решатель для solve
, используйте пары "имя-значение". Например,
sol = solve(prob,'options',opts,'solver','quadprog');
Предыдущие синтаксисы не были столь же гибкими, стандартными, или расширяемыми как пары "имя-значение".
solve
оценочные производные параллельно для нелинейных решателей, когда UseParallel
опцией для решателя является true
. Например,
options = optimoptions('fminunc','UseParallel',true); [sol,fval] = solve(prob,x0,'Options',options)
solve
не использует параллельную производную оценку, когда все объективные и нелинейные ограничительные функции состоят только из поддерживаемых операций, как описано в Поддерживаемых Операциях для Переменных и выражений Оптимизации. В этом случае, solve
использует автоматическое дифференцирование для вычисления производных. Смотрите Автоматическое Дифференцирование.
Можно заменить автоматическое дифференцирование и использовать оценки конечной разности параллельно путем установки 'ObjectiveDerivative'
и 'ConstraintDerivative'
аргументы к 'finite-differences'
.
Когда вы задаете решатель Global Optimization Toolbox, которые поддерживают параллельный расчет (ga
(Global Optimization Toolbox), particleswarm
(Global Optimization Toolbox), patternsearch
(Global Optimization Toolbox), и surrogateopt
(Global Optimization Toolbox)), solve
вычислите параллельно когда UseParallel
опцией для решателя является true
. Например,
options = optimoptions("patternsearch","UseParallel",true); [sol,fval] = solve(prob,x0,"Options",options,"Solver","patternsearch")
evaluate
| OptimizationProblem
| EquationProblem
| optimoptions
| prob2struct
| fcn2optimexpr
У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?
1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.
2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.
3. Сохраняйте структуру оригинального текста - например, не разбивайте одно предложение на два.
4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.
5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.