文档介绍：该【matlab在优化设计中的应用 】是由【幸福人生】上传分享，文档一共【19】页，该文档可以免费在线阅读，需要了解更多关于【matlab在优化设计中的应用 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。matlab在优化设计中的应用Matlab在优化设计中的应用摘要常见的优化问题包括线性规划、无约束优化、约束优化、最下二乘优化、多目标规划等。本文研究了matlab在这些常见优化问题中的应用及求解。在进行研究本课题之前,我们先通过网络、电子书刊等各种有效渠道获取我们所需信息,在充分了解与熟练掌握了各种优化问题的具体特点及性质后,我们给出了关于如何用matlab进行多类优化问题的求解基本方法,在此前提下,为了体现该软件在这些优化领域的实际应用效果,我们结合若干个优化问题的实例进行分析、建模、以及运用matlab编程求解,在求解过程中,通过得到的精确数据和反应结果的图例,我们了解到matlab工具箱的功能强大,是处理优化问题的非常方便的编程工具。关键词:matlab优化问题二、。它在理论和算法上都比较成熟,在实际中有广泛的应用。例如数学表达形式:在MTLAB提供的优化工具箱中,解决规划的命令是,它的调用格式如下,求解下列形式的线性规划:用适当的方法选择步长ak(≥0),得到下一个迭代点xk+1=xk+akpk;检验新的迭代点xk+1是否为原问题的最优解,或者是否与最优解的近似误差满足预先给定的容忍度。(a,b)上的极小点。,它在实际中,尤其是在处理一些曲线拟合问题、线性方程组无解时的近似解等问题,用的非常多。最小二乘优化问题的目标函数一般为若干个函数的平方和,即:、中,都将多目标规划的一般形式表述为:其中,、、既可以为线性函数,也可以为非线性函数。三、基本方法对于解决那些常见优化问题,基本思路将在解题的过程中得到体现。我们给出具体一些建模实例来体现基本算法:。解:首先编写目标函数的M文件如下:然后为了分析直观,利用MTLAB画出目标函数的图像,步骤如下:>>x=-5::5;>>n=length(x)n=1001>>fori=1:1001y(i)=example8_7(x(i));:min–x1-,然后利用优化工具箱中的linprog命令求解。解〈图解法〉先利用MATLAB画出该线性规划的可行集及目标函数等值线:>>clear>>symsx1x2>>f=-x1-3*x2;>>c1=x1+x2-6;>>c2=-x1+2*x2-8;>>ezcontourf(f)>>axis([0606])>>holdon>>ezplot(c1)>>ezplot(c2)>>legend('f等值线','x1+x2-6=0','-x1+2*x2-8=0')>>title('利用图解法求线性规划问题')>>gtext('x')运行结果如下图:从上图中可以看出可行集的顶点x(4/3,14/3)即为线性规划的最优解,它也是两个线性约束的交点。:其中程序输入及结果>>clearA=[121;-213];b=[11]';C=[0-12;10-1;-320];d=[101]';lb=[-5-5-2]';ub=[552]';Aeq=[];beq=[];[x,resnorm,residual,exitflag,output,lambda]=lsqlin(C,d,A,b,Aeq,beq,lb,ub)Warning:Large-scalemethodcanhandleboundconstraintsonly;switchingtomedium-:Large-scalemethodcanhandleboundconstraintsonly;usingmedium-scalemethodinstead.>=%最优解--=%残差向量2-范数的平方,即reanorm=norm(residual)^=%残差向量---=1%函数收敛到最优解output=