Matlab优化应用.docx
《Matlab优化应用.docx》由会员分享,可在线阅读,更多相关《Matlab优化应用.docx(35页珍藏版)》请在冰豆网上搜索。
Matlab优化应用
MATLAB优化应用
§1 线性规划模型
一、线性规划课题:
实例1:
生产计划问题
假设某厂计划生产甲、乙两种产品,现库存主要材料有A类3600公斤,B类2000公斤,C类3000公斤。
每件甲产品需用材料A类9公斤,B类4公斤,C类3公斤。
每件乙产品,需用材料A类4公斤,B类5公斤,C类10公斤。
甲单位产品的利润70元,乙单位产品的利润120元。
问如何安排生产,才能使该厂所获的利润最大。
建立数学模型:
设x1、x2分别为生产甲、乙产品的件数。
f为该厂所获总润。
maxf=70x1+120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
实例2:
投资问题
某公司有一批资金用于4个工程项目的投资,其投资各项目时所得的净收益(投入资金锪百分比)如下表:
工程项目收益表
工程项目
A
B
C
D
收益(%)
15
10
8
12
由于某种原因,决定用于项目A的投资不大于其他各项投资之和而用于项目B和C的投资要大于项目D的投资。
试确定全文该公司收益最大的投资分配方案。
建立数学模型:
设x1、 x2 、x3 、x4分别代表用于项目A、B、C、D的投资百分数。
maxf=0.15x1+0.1x2+0.08x3+0.12x4
s.t x1-x2-x3-x4≤0
x2+x3-x4≥0
x1+x2+x3+x4=1
xj≥0 j=1,2,3,4
实例3:
运输问题
有A、B、C三个食品加工厂,负责供给甲、乙、丙、丁四个市场。
三个厂每天生产食品箱数上限如下表:
工厂
A
B
C
生产数
60
40
50
四个市场每天的需求量如下表:
市场
甲
乙
丙
丁
需求量
20
35
33
34
从各厂运到各市场的运输费(元/每箱)由下表给出:
市 场
甲
乙
丙
丁
工
厂
A
2
1
3
2
B
1
3
2
1
C
3
4
1
1
求在基本满足供需平衡的约束条件下使总运输费用最小。
建立数学模型:
设aij为由工厂i运到市场j的费用,xij 是由工厂i运到市场j的箱数。
bi是工厂i的产量,dj是市场j的需求量。
b=(604050) d=(20353334)
s.t
x ij≥0
当我们用MATLAB软件作优化问题时,所有求maxf 的问题化为求min(-f)来作。
约束g i (x)≥0,化为 –g i≤0来作。
上述实例去掉实际背景,归结出规划问题:
目标函数和约束条件都是变量x的线性函数。
形如:
(1) minf T X
s.t A X≤b
AeqX=beq
lb≤X≤ub
其中X为n维未知向量,f T=[f1,f2,…fn]为目标函数系数向量,小于等于约束系数矩阵A为m×n矩阵,b为其右端m维列向量,Aeq为等式约束系数矩阵,beq为等式约束右端常数列向量。
lb,ub为自变量取值上界与下界约束的n维常数向量。
二.线性规划问题求最优解函数:
调用格式:
x=linprog(f,A,b)
x=linprog(f,A,b,Aeq,beq)
x=linprog(f,A,b,Aeq,beq,lb,ub)
x=linprog(f,A,b,Aeq,beq,lb,ub,x0)
x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options)
[x,fval]=linprog(…)
[x,fval,exitflag]=linprog(…)
[x,fval,exitflag,output]=linprog(…)
[x,fval,exitflag,output,lambda]=linprog(…)
说明:
x=linprog(f,A,b)返回值x为最优解向量。
x=linprog(f,A,b,Aeq,beq) 作有等式约束的问题。
若没有不等式约束,则令A=[]、b=[] 。
x=linprog(f,A,b,Aeq,beq,lb,ub,x0,options) 中lb,ub为变量x的下界和上界,x0为初值点,options为指定优化参数进行最小化。
Options的参数描述:
Display 显示水平。
选择’off’ 不显示输出;选择’iter’显示每一 步迭代过程的输出;选择’final’ 显示最终结果。
MaxFunEvals 函数评价的最大允许次数
Maxiter 最大允许迭代次数
TolX x处的终止容限
[x,fval]=linprog(…) 左端 fval 返回解x处的目标函数值。
[x,fval,exitflag,output,lambda]=linprog(f,A,b,Aeq,beq,lb,ub,x0) 的输出部分:
exitflag 描述函数计算的退出条件:
若为正值,表示目标函数收敛于解x处;若为负值,表示目标函数不收敛;若为零值,表示已经达到函数评价或迭代的最大次数。
output 返回优化信息:
output.iterations表示迭代次数;output.algorithm表示所采用的算法;outprt.funcCount表示函数评价次数。
lambda 返回x处的拉格朗日乘子。
它有以下属性:
lambda.lower-lambda的下界;
lambda.upper-lambda的上界;
lambda.ineqlin-lambda的线性不等式;
lambda.eqlin-lambda的线性等式。
三. 举例
例1:
求解线性规划问题:
maxf=2x1+5x2
s.t
先将目标函数转化成最小值问题:
min(-f)=-2x1-5x2
程序:
f=[-2-5];
A=[10;01;12];
b=[4;3;8];
[x,fval]=linprog(f,A,b)
f=fval*(-1)
结果:
x= 2
3
fval=-19.0000
maxf= 19
例2:
minf=5x1-x2+2x3+3x4-8x5
s.t –2x1+x2-x3+x4-3x5≤6
2x1+x2-x3+4x4+x5≤7
0≤xj≤15 j=1,2,3,4,5
程序:
f=[5-123-8];
A=[-21-11-3;21-141];
b=[6;7];
lb=[00000];
ub=[1515151515];
[x,fval]=linprog(f,A,b,[],[],lb,ub)
结果:
x=
0.0000
0.0000
8.0000
0.0000
15.0000
minf=
-104
例3:
求解线性规划问题:
minf=5x1+x2+2x3+3x4+x5
s.t –2x1+x2-x3+x4-3x5≤1
2x1+3x2-x3+2x4+x5≤-2
0≤xj≤1 j=1,2,3,4,5
程序:
f=[51231];
A=[-21-11-3;23-121];
b=[1;-2];
lb=[00000];
ub=[11111];
[x,fval,exitflag,output,lambda]=linprog(f,A,b,[],[],lb,ub) 运行结果:
Exiting:
Oneormoreoftheresiduals,dualitygap,ortotalrelativeerror
hasgrown100000timesgreaterthanitsminimumvaluesofar:
theprimalappearstobeinfeasible(andthedualunbounded).
(Thedualresidual
x= 0.0000
0.0000
1.1987
0.0000
0.0000
fval=
2.3975
exitflag=
-1
output=
iterations:
7
cgiterations:
0
algorithm:
'lipsol'
lambda=
ineqlin:
[2x1double]
eqlin:
[0x1double]
upper:
[5x1double]
lower:
[5x1double]
显示的信息表明该问题无可行解。
所给出的是对约束破坏最小的解。
例4:
求解实例1的生产计划问题
建立数学模型:
设x1、x2分别为生产甲、乙产品的件数。
f为该厂所获总润。
maxf=70x1+120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
将其转换为标准形式:
minf=-70x1-120x2
s.t 9x1+4x2≤3600
4x1+5x2≤2000
3x1+10x2≤3000
x1,x2≥0
程序:
f=[-70-120];
A=[94;45;310];
b=[3600;2000;3000];
lb=[00];
ub=[];
[x,fval,exitflag]=linprog(f,A,b,[],[],lb,ub)
maxf=-fval
结果:
x=
200.0000
240.0000
fval=
-4.2800e+004
exitflag=
1
maxf=
4.2800e+004
例5:
求解实例2
建立数学模型:
maxf=0.15x1+0.1x2+0.08x3+0.12x4
s.t x1-x2-x3-x4≤0
x2+x3-x4≥0
x1+x2+x3+x4=1
xj≥0 j=1,2,3,4
将其转换为标准形式:
minz=-0.15x1-0.1x2-0.08x3-0.12x4
s.t x1-x2-x3-x4≤0
-x2-x3+x4≤0
x1+x2+x3+x4=1
xj≥0 j=1,2,3,4
程序:
f=[-0.15;-0.1;-0.08;-0.12];
A= [1-1-1-1
0-1-11];
b=[0;0];
Aeq=[1111];
beq=[1];
lb=zeros(4,1);
[x,fval,exitflag]=linprog(f,A,b,Aeq,beq,lb)
f=-fval
结果:
x=
0.5000
0.2500
0.0000
0.2500
fval=
-0.1300
exitflag=
1
f=
0.1300
即4个项目的投资百分数分别为50%,25%,0, 25%时可使该公司获得最大的收益,其最大收益可到达13%。
过程正常收敛。
例6:
求解实例3
建立数学模型:
设aij为由工厂i运到市场j的费用,xij 是由工厂i运到市场j的箱数。
bi是工厂i的产量,dj是市场j的需求量。
b=(604050)T d=(20353334)T
s.t
x ij≥0
程序:
A=[2132;1321;3411];
f=A(:
);
B=[100100100100
010010010010
001001001001];
D=[111000000000
000111000000
000000111000
000000000111];
b=[60;40;50];
d=[20;35;33;34];
lb=zeros(12,1);
[x,fval,exitflag]=linprog(f,B,b,D,d,lb)
结果:
x=
0.0000
20.0000
0.0000
35.0000
0.0000
0.0000
0.0000
0.0000
33.0000
0.0000
18.4682
15.5318
fval=
122.0000
exitflag=
1
即运输方案为:
甲市场的货由B厂送20箱;乙市场的货由A厂送35箱;丙商场的货由C厂送33箱;丁市场的货由B厂送18箱,再由C厂送16箱。
最低总运费为:
122元。
§2 非线性规划模型
一.非线性规划课题
实例1 表面积为36平方米的最大长方体体积。
建立数学模型:
设x、y、z分别为长方体的三个棱长,f为长方体体积。
maxf=xy(36-2xy)/2(x+y)
实例2 投资决策问题
某公司准备用5000万元用于A、B两个项目的投资,设x1、x2分别表示配给项目A、B的投资。
预计项目A、B的年收益分别为20%和16%。
同时,投资后总的风险损失将随着总投资和单位投资的增加而增加,已知总的风险损失为2x12+x22+(x1+x2)2.问应如何分配资金,才能使期望的收益最大,同时使风险损失为最小。
建立数学模型:
maxf=20x1+16x2-λ[2x12+x22+(x1+x2)2]
s.t x1+x2≤5000
x 1≥0,x2≥0
目标函数中的λ≥0是权重系数。
由以上实例去掉实际背景,其目标函数与约束条件至少有一处是非线性的,称其为非线性问题。
非线性规划问题可分为无约束问题和有约束问题。
实例1为无约束问题,实例2为有约束问题。
二.无约束非线性规划问题:
求解无约束最优化问题的方法主要有两类:
直接搜索法(Searchmethod)和梯度法(Gradientmethod).
1.fminunc函数
调用格式:
x=fminunc(fun,x0)
x=fminunc(fun,x0,options)
x=fminunc(fun,x0,options,P1,P2)
[x,fval]=fminunc(…)
[x,fval,exitflag]=fminunc(…)
[x,fval,exitflag,output]=fminunc(…)
[x,fval,exitflag,output,grad]=fminunc(…)
[x,fval,exitflag,output,grad,hessian]=fminunc(…)
说明:
fun为需最小化的目标函数,x0为给定的搜索的初始点。
options指定优化参数。
返回的x为最优解向量;fval为x处的目标函数值;exitflag描述函数的输出条件;output返回优化信息;grad返回目标函数在x处的梯度。
Hessian返回在x处目标函数的Hessian矩阵信息。
例1 :
求
程序:
编辑ff1.m文件
functionf=ff1(x)
f=8*x
(1)-4*x
(2)+x
(1)^2+3*x
(2)^2;
通过绘图确定一个初始点:
[x,y]=meshgrid(-10:
.5:
10);
z=8*x-4*y+x.^2+3*y.^2;
surf(x,y,z)
选初始点:
x0=(0,0)
x0=[0,0];
[x,fval,exitflag]=fminunc(@ff1,x0)
结果:
x=
-4.0000 0.6667
fval=
-17.3333
exitflag=
1
例2:
程序:
编辑ff2.m文件:
functionf=ff2(x)
f=4*x
(1)^2+5*x
(1)*x
(2)+2*x
(2)^2;
取初始点:
x0=(1,1)
x0=[1,1];
[x,fval,exitflag]=fminunc(@ff2,x0)
结果:
x=
1.0e-007*
-0.1721 0.1896
fval=
2.7239e-016
exitflag=
1
例3:
将上例用提供的梯度g最小化函数进行优化计算。
修改M文件为:
function[f,g]=ff3(x)
f=4*x
(1)^2+5*x
(1)*x
(2)+2*x
(2)^2;
ifnargut>1
g
(1)=8*x
(1)+5*x
(2);
g
(2)=5*x
(1)+4*x
(2);
end
通过下面将优化选项结构options.GradObj设置为’on’来得到梯度值。
options=optimset(‘Gradobj’,’on’);
x0=[1,1];
[x,fval,exitflag]=fminunc(@ff3,x0,options)
结果:
x=
1.0e-015*
-0.2220 -0.2220
fval=
5.4234e-031
exitflag=