主要内容

优化基础代码生成

生成代码fmincon

方法生成代码fmincon优化求解。代码生成需要一个MATLAB®编码器™许可证。有关代码生成要求的详细信息，请参见在fmincon后台生成代码．

该示例使用以下简单的目标函数。要在您自己的测试中使用此目标函数，请将代码复制到一个名为rosenbrockwithgrad.m．将文件保存在MATLAB路径上。

函数[f,g] = rosenbrockwithgrad(x)计算目标fF = 100*(x(2) - x(1)²)²+ (1 - x(1))²;如果Nargout > 1所需梯度百分比G = [-400*(x(2) - x(1)^2)*x(1) - 2*(1 - x(1));200*(x(2) - x(1)^2)];结束

方法生成代码rosenbrockwithgrad目标函数，创建一个名为test_rosen.m包含以下代码:

函数[x,fval] = test_rosen opts = optimoptions(“fmincon”，“算法”，“sqp”）;[x fval] = fmincon (@rosenbrockwithgrad [1,1 ],[],[],[],[],[- 3, 3, 3, 3,[],选择)

为test_rosen文件。

codegen配置:墨西哥人test_rosen

过了一段时间，codegen创建一个名为test_rosen_mex.mexw64(文件扩展名会有所不同，这取决于你的系统)。您可以通过输入运行生成的C代码test_rosen_mex．结果如下或类似:

X = 1.0000 1.0000 fval = 1.3346e- 11ans = 1.0000 1.0000

修改效率示例

下面的一些建议实时应用程序的优化代码生成，将生成代码的配置设置为具有更少的检查，并使用静态内存分配。

CFG = code .config(墨西哥人的）;cfg。IntegrityChecks = false;cfg。饱和onintegeroverflow = false;cfg。DynamicMemoryAllocation =“关闭”；

把问题的范围从(3、3)来(2, 2)．另外，设置一个比默认值更宽松的优化容错1 e-6．

函数[x,fval] = test_rosen2 opts = optimoptions(“fmincon”，“算法”，“sqp”，.．.“OptimalityTolerance”1 e-5);[x fval eflag输出]= fmincon (@rosenbrockwithgrad, [1,1 ],[],[],[],[],.．.(2, 2),(2, 2)[],选择)

为test_rosen2文件。

codegen配置cfgtest_rosen2

运行结果代码。

test_rosen2_mex
x = 1.0000 1.0000 fval = 2.0057e-11 eflag = 2 output = struct with fields: iterations: 40 funcCount: 155 algorithm: 'sqp' constrviolation: 0 stepsize: 5.9344e-08 lssteplth: 1 ans = 1.0000 1.0000

这个解决方案几乎和以前的解决方案一样好，使用fval输出在2 e-11与之前相比1 e-11．

尝试将允许的迭代次数限制为前一个计算中的一半。

函数[x,fval] = test_rosen3 options = optimoptions(“fmincon”，“算法”，“sqp”，.．.“MaxIterations”, 20);[x fval eflag输出]= fmincon (@rosenbrockwithgrad, [1,1 ],[],[],[],[],.．.(2, 2),(2, 2)[]选项)

运行test_rosen3在MATLAB。

test_rosen3
x = 0.2852 0.0716 fval = 0.5204 eflag = 0 output = struct with fields: iterations: 20 funcCount: 91 algorithm: 'sqp' message: '(解算器过早停止。)(() fmincon停止，因为它超过了迭代限制，()选项。MaxIterations = 2.000000e+01。(() ' constrviolation: 0 stepsize: 0.0225 lssteplth: 1 firstorderopt: 1.9504 ans = 0.2852 0.0716

在这个严格的迭代限制下，fmincon没有达成一个好的解决方案。准确和速度之间的权衡很难处理。

为保存函数求值并可能提高精度，请使用示例的内置导数SpecifyObjectiveGradient选项真正的．

函数[x,fval] = test_rosen4 options = optimoptions(“fmincon”，“算法”，“sqp”，.．.“SpecifyObjectiveGradient”,真正的);[x fval eflag输出]= fmincon (@rosenbrockwithgrad, [1,1 ],[],[],[],[],.．.(2, 2),(2, 2)[]选项)

为test_rosen4使用与中的相同的配置test_rosen2．

codegen配置cfgtest_rosen4

运行结果代码。

test_rosen4_mex
x = 1.0000 1.0000 fval = 3.3610e-20 eflag = 2 output = struct with fields: iterations: 40 funcCount: 113 algorithm: 'sqp' constrviolation: 0 stepsize: 9.6356e-08 lssteplth: 1 ans = 1.0000 1.0000

相比test_rosen2时迭代次数相同，为40，但函数求值的次数较低113而不是155．结果具有较好的(较低的)目标函数值3 e-20相比2 e-11．

另请参阅

|(MATLAB编码器)|

相关的话题