四种最优化方法总结

最优化方法
当我们准备好了一个函数表达式之后，如何求解该函数的最优值就会成为一个巨大的挑战。以下是常用的四种优化方法。

无约束优化问题
所谓无约束优化问题，就是指对一个函数求最优值，最优值可以出现在函数上任意一点，而我们不去限定查找最优值的范围。

有约束优化问题
有约束优化问题就是指给自变量的取值范围做限制，缩小优化范围，经典的约束优化算法有：

• 内点法(interior-point)
• 有效集法(active-set)
• SQP算法(sqp)
• 信赖域反射法(trust-region-reflective)

约束，又分线性约束与非线性约束，所谓线性约束，就是指约束条件中的自变量都是1次幂的，非线性约束即有高次幂的自变量出现。

假设如下约束优化函数和约束：

首先把这个函数的图像在Matlab中给大家画出来：

%%目标函数图像绘制
x1=-1:0.05:1;
x2=-1:0.05:1;
[x1,x2]=meshgrid(x1,x2);
y=-x1.*x2;
figure(1)
%使用mesh函数画图
mesh(x1,x2,y);
figure(2)
%使用surfl画图
% surfl(x1,x2,y);
% figure(3)
%使用surf函数画图
surf(x1,x2,y);
hold on;
%约束区域部分位置
[x1,x2]=meshgrid(-1:0.05:1);
z=1-x1.^2-x2.^2;
ind=(z>=0);
h=scatter(x1(ind),x2(ind),'r');
hold on;

%% 绘制圆柱
% 上半部分
R=1;%半径
h=-1;%圆柱高度
m=1000;%分割线的条数
[x1,y1,z1]=cylinder(R,m);%创建以(0,0)为圆心，高度为[0,1]，半径为R的圆柱
z1=h*z1;%高度放大h倍
mesh(x1,y1,z1)%重新绘图
% 下半部分
hold on
R=1;%半径
h=1;%圆柱高度
m=1000;%分割线的条数
[x1,y1,z1]=cylinder(R,m);%创建以(0,0)为圆心，高度为[0,1]，半径为R的圆柱
z1=h*z1;%高度放大h倍
mesh(x1,y1,z1)%重新绘图

从上面第三张图中可知红色圆圈位置处有最优值，对应的最优质的大约时-0.5，下面通过优化计算查看最优值结果。

使用Matlab实现一下四种优化算法：

function [xsol, fval] = runfmincon
% 初始点
x0 = [-0.1 -0.1];
 
% 四种优化算法，大家选一种用，这里用的是内点法
% 'active-set', 'interior-point', 'sqp', or 'trust-region-reflective'.
% 在优化器中选择优化算法
options = optimset('Display', 'iter-detailed', 'Algorithm', 'interior-point', 'MaxIter', 8); % 优化器参数
% fmincon参数解释
% fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options);
% fun:要优化的函数
% x0:自变量的初始值
% A:非等式(<)线性约束的约束矩阵A
% b:非等式(<)线性约束的约束条件矩阵b
% Aeq:等式约束的线性约束的约束矩阵Aeq
% beq:等式线性约束的约束条件矩阵beq
% lb,ub:自变量的下限和上限
% nonlcon:非线性约束
[xsol, fval] = fmincon(@objfun, x0, [], [], [], [], [], [], @confun, options);
 
% 目标函数
 function f = objfun(x)
     f = - x(1) * x(2);
 end
 
% 非线性约束
 function [c, ceq] = confun(x)
     % Nonlinear inequality constraints
     c = [x(1)^2 + x(2)^2 - 1];
     % Nonlinear equality constraints
     ceq = [];
 end
end

 

%在Matlab命令行窗口输入
[xsol,fval] = runfmincon;
% xsol中是最优点  fval为最优点对应的最优值
% 迭代优化结果
[x1,x2]=[-0.7071,-0.7071]
f=-0.5