createOptimProblem

创建优化问题结构

语法

问题= createOptimProblem (“solverName”) 问题= createOptimProblem (“solverName”、“ParameterName”、ParameterValue…)

描述

问题= createOptimProblem (“solverName”)方法创建空的优化问题结构solverName解算器。

问题= createOptimProblem (“solverName”、“ParameterName”、ParameterValue…)接受一个或多个逗号分隔的参数名称/值对。指定ParameterName在单引号。

输入参数

solverName

求解器的名称。对于一个GlobalSearch问题,使用“fmincon”。对于一个MultiStart问题,使用“fmincon”,“fminunc”,“lsqcurvefit”要么'lsqnonlin'。

名称-值对的观点

`“Aeq”`	矩阵为线性等式约束。约束的形式如下: `Aeq x`=`说真的`
`“Aineq”`	矩阵为线性不等式约束。约束的形式如下: `Aineq X`≤`bineq`
`“说真的”`	线性等式约束的向量。约束的形式如下: `Aeq x`=`说真的`
`“bineq”`	线性不等式约束的向量。约束的形式如下: `Aineq X`≤`bineq`
`'磅'`	下界向量。 `磅`也可以是数组;看到矩阵的参数(优化工具箱)。
`“nonlcon”`	函数句柄为非线性约束函数。约束函数必须接受一个向量`x`返回两个向量:`c`，非线性不等式约束，`量表信`，非线性等式约束。如果其中一个约束函数是空的，`nonlcon`必须返回`[]`这个函数。如果`GradConstr`选择是`“上”`，那么另外`nonlcon`必须返回两个额外的输出，`gradc`和`gradceq`。的`gradc`参数是一个矩阵，每个约束的梯度是一个列，就像这样`gradceq`。有关更多信息，请参见写约束。
`“目标”`	函数句柄到目标函数。对于所有的解算器，除了`lsqnonlin`和`lsqcurvefit`，目标函数必须接受一个向量`x`并返回一个标量。如果`GradObj`选择是`“上”`，然后目标函数必须返回第二个输出，一个向量，表示目标的梯度。为`lsqnonlin`，目标函数必须接受一个向量`x`然后返回一个向量。`lsqnonlin`求目标函数值的平方和。为`lsqcurvefit`，目标函数必须接受两个输入，`x`和`xdata`，并返回一个向量。有关更多信息，请参见计算目标函数。
`“选项”`	优化选项。创建选项`optimoptions`,或者从优化应用程序导出(优化工具箱)。
`乌兰巴托的`	上界的向量。 `乌兰巴托`也可以是数组;看到矩阵的参数(优化工具箱)。
`“x0”`	一个向量，一个优化的潜在起点。给出了问题的维数。 `x0`也可以是数组;看到矩阵的参数(优化工具箱)。
`“xdata”`	数据点的向量`lsqcurvefit`。
`“ydata”`	数据点的向量`lsqcurvefit`。

输出参数

问题

结构优化问题。

例子

使用Rosenbrock的函数创建一个问题结构作为目标(参见遗传算法中的混合方案),内点算法fmincon和带绝对值的界限2:

anonrosen = @ (x) (100 * (x (2) - (1) ^ 2) ^ 2 + (1 - x (1)) ^ 2);选择= optimoptions (@fmincon、“算法”、“内点”);问题= createOptimProblem (fmincon, x0, randn (2, 1),…anonrosen“客观”,“磅”,(2);2),乌兰巴托,(2,2),……“选项”,选择);