一起来学演化计算-matlab优化函数fminunc
觉得有用的话,欢迎一起讨论相互学习~
fminunc
- 求无约束多变量函数的最小值
- 非线性编程求解器
- 找到指定问题的最小值，(min_{x}f(x)) ,其中f(x)是一个返回一个标量的函数，x是一个向量或者矩阵。
语法
- x = fminunc(fun,x0)
- x = fminunc(fun,x0,options)
- x = fminunc(problem)
- [x,fval] = fminunc( ___ )
- [x,fval,exitflag,output] = fminunc( __ )
- [x,fval,exitflag,output,grad,hessian] = fminunc( ___ )
表示和描述
-
x = fminunc(fun,x0)从x0点开始，尝试找到fun中描述的函数的一个局部最小x。点x0可以是标量、向量或矩阵。
-
Note fminunc适用于无约束的非线性问题。如果您的问题有约束，通常使用fmincon。参见优化决策表。
-
x = fminunc(fun,x0,options)通过选项中指定的优化选项最小化乐趣。使用 optimoptions 设置这些选项。
-
x = fminunc(problem)找到问题的最小值，其中问题是 Input Arguments 中描述的结构。
-
[x,fval] = fminunc( __ )，对于任何语法，返回目标函数在解x处的值
-
[x,fval,exitflag,output] = fminunc()另外返回一个描述fminunc退出条件的exitflag值，以及一个包含优化过程信息的结构输出
-
[x,fval,exitflag,output,grad,hessian] = fminunc( __ )另外返回:
- 梯度-解x处的梯度。
- Hessian- 解决方案x的x1和x2的偏导。
-
[Hessian=H _ { i j } = frac { partial ^ { 2 } f } { partial x _ { i } partial x _ { j } } ]
示例
最小化一个多项式
求函数梯度
使用问题结构
- 此和上一节的内容相同，但是使用了问题结构的模型，即为problem设置options，x0,objective,solver然后使用fminunc函数优化问题。
problem.options = options;
problem.x0 = [-1,2];
problem.objective = @rosenbrockwithgrad;
problem.solver = 'fminunc';
获取最佳的目标函数值
- 没看出和第一个例子有什么区别，但是我感觉第一个函数是能够计算得到梯度的，而这个函数则不能够直接计算出梯度信息
检查解决方案过程
- 可以输出优化过程和各种参数
输入参数
Fun 需要被优化的函数
X0 初始点
选项
所有算法
- 寻优算法
- 如果函数能够提供梯度则选择"trust-region"选项，否则选择 拟牛顿法 -"quasi-newton"
- 梯度检查
- 显示
- 有限差分类型和步长
- 函数终止
- 迭代调用其他函数
- 画出结果
- 自定义梯度函数
- TypicalX
trust-region算法
quasi-Newton
Problem
输出参数
