优化工具箱

优化工具箱

求解线性的,二次的,圆锥形,整数,和非线性优化问题

开始:

定义优化问题

模型设计或决策问题作为优化问题。将设计参数和决策设置为优化变量。使用它们定义目标函数以优化和使用约束来限制可能的变量值。

基于问题的优化

撰写与优化变量的表达式目标和约束。与非线性表达式自动微分解决速度更快,更有力。应用自动选择的解算器。

求解基于优化

写非线性目标和使用函数的限制;写使用系数矩阵的线性目标和约束。交互方式创建和解决优化活编辑任务的问题,然后生成共享或使用在应用程序代码。

解决优化问题

将求解器应用于优化问题以查找最佳解决方案:一组优化变量值,可产生目标函数的最佳值,如果有的话,并满足约束,如果有的话。

选择一个求解

使用优化Live Editor任务以帮助选择适用于基于求解器的方法时适用于问题类型的求解器。求解器以基于问题的方法自动选择。

设置选项

设置优化选项以调整优化过程,例如,选择求解器使用的优化算法,或设置终端条件。设置监视和绘制优化求解器进度的选项。

审查和改进结果

审查退出消息,最优性措施,并且迭代显示,以评估所述溶液。通过使用自动分化,供给梯度,或使用并行计算来估算梯度改善非线性问题的性能。

通过迭代显示监视求解器进度。

非线性编程

求解具有非线性目标的优化问题或受到非线性约束的影响。

求解器

应用准牛顿,信任区域或Nelder-Mead Simplex算法来解决不受约束的问题。应用内部点,顺序 - 二次编程(SQP)或信任区域反光算法,以解决受约束的问题。

应用程序

使用非线性优化用于估计和调整参数,找到最佳设计中,计算最佳的轨迹,构建健壮组合,以及其他应用中存在的变量之间的非线性关系。

线性,二次和圆锥形编程

解决具有线性或二次目标的凸优化问题,并受到线性或二阶锥限制的影响。

线性规划求解器

应用双单位或内部点算法来解决线性程序。

可行的区域和线性程序的最佳解决方案。

二次和二阶锥规划求解器

应用内部点,主动集或信任区域反光算法以解决二次程序。应用内部点方法来解决二阶锥计划。

可行的区域和二次程序的最佳解决方案。

应用程序

使用线性规划对资源分配,生产计划,混合和投资规划等问题。使用二次和二阶锥形编程问题,如设计优化,产品组合优化和水力电压控制等问题。

最优控制策略,发现二次规划。

混合整数线性规划

解决具有线性目标受线性约束的优化问题,与附加约束部分或全部变量必须是整数值。

求解器

使用分支和绑定算法解决混合整数线性编程问题,包括预处理,启发式,用于产生可行点和切割平面。

应用分支和绑定算法。

基于混合整数线性编程的算法

使用混合整数线性编程求解器来构建专用算法。

最短观光,参观每个城市只有一次。

应用程序

用整数变量模型时有开/关的决策或逻辑约束以及当变量值必须是一体的。路由,调度,规划,分配和资本预算的问题是典型的应用。

两个发电机的时间表在不同的电价下。

多目标优化

求解具有多个约束的多个目标函数的优化问题。

求解器

制定问题,无论是目标达成或极小。使用目标达成时有选择性加权的目标值为每个目标。使用极小的一组目标函数的最坏情况下的值最小。

使用帕累托前计算fgoalattain功能。

应用程序

在冲突目标需要权衡时使用多目标优化。实例是结构设计和风险中的重量和强度,并在产品组合优化中返回。

初始和优化滤波器系数的幅度响应。

最小二乘和方程求解

解决非线性最小二乘问题和方程式受约束的约束的非线性系统。求解线性最小二乘问题受到约束和线性约束。

求解器

Apply Levenberg-Marquardt,信任区域,主动集或内部点算法。

地方和全球方法的比较。

线性最小二乘应用

使用线性最小二乘求解器拟合线性模型来获取数据或解决线性方程系统,包括当参数受到绑定和线性约束时的线性方程。

通过求解线性最小平方问题中恢复的模糊图像。

非线性最小二乘应用

使用非线性最小二乘解算器,以适应非线性模型来获取的数据或非线性方程组求解,当参数都受到约束的约束包括的系统。

拟合普通微分方程的Lorenz系统的圆形路径。

部署

基于优化构建决策支持和设计工具,整合与企业系统,并部署优化算法,嵌入万博1manbetx式系统。

Matlab编译器支持万博1manbetx

MATLAB编译器™MATLAB编译SDK™部署MATLAB®优化模型作为独立可执行文件,Web应用程序,C / C ++共享库,Microsoft®.NET程序集,爪哇®课程和python®包裹。

计算最佳发电计划的应用程序。

代码生成

生成便携式和可读的C或C ++代码以解决优化问题Matlab编码器™。编译所生成的代码的任何硬件,包括嵌入式系统。