优化技术用于查找一组设计参数,X= {X1那X2,......,XN},可以以某种方式定义为最佳。在一个简单的情况下,这个过程可能是依赖于某些系统特征的最小化或最大化X。在更先进的配方中,目标函数F(X),最小化或最大化,可能会受到其中一种或多种形式中的约束:
平等约束,G一世(X)= 0(一世= 1,......,mE.)
不平等限制,G一世(X)≤0(一世=mE.+ 1,......,m)
参数界限,XL.那X你, 在哪里XL.≤.X≤.X你, 一些XL.可以是 - 和一些X你可以是∞
将一般问题(GP)描述为
(1) |
受到约束
在哪里X是长度的矢量N设计参数,F(X)是目标函数(返回标量值)和矢量函数G(X)返回长度的向量m包含平等和不等式约束的值X。
对此问题的有效和准确的解决方案不仅取决于在限制和设计变量的数量方面取决于问题的大小,也取决于客观函数和约束的特征。当目标函数和约束都是设计变量的线性函数时,问题称为a线性编程(LP)问题。二次编程(QP)涉及线性约束的二次目标函数的最小化或最大化。对于LP和QP问题,可靠的解决方案程序很容易获得。更难以解决是非线性编程(NP)问题,其中目标函数和约束可以是设计变量的非线性函数。NP问题的解决方案通常需要迭代过程来建立每个主要迭代的搜索方向。该解决方案通常通过LP,QP或未控制的子问题的解决方案来实现。
所有优化都发生在实数。然而,可以使用复杂的分析功能来配制和解决不受约束的最小二乘问题和等式求解。看优化工具箱求解器中的复数。