chenglin li：最優化方法（一）0.618(**分割)法計算單峰函式極小值
chenglin li：最優化方法（二）最速下降法求目標函式最小值
chenglin li：最優化方法（三）共軛梯度演算法（fr）求解無約束問題
chenglin li：最優化方法（四）變度量法演算法（dfp）求解無約束問題
chenglin li：最優化方法（五）單純形法解有約束的線性規劃問題
chenglin li：最優化方法（六）使用newton法解無約束最優化問題python
chenglin li：最優化方法（七）變度量法演算法（bfgs）求解無約束問題
chenglin li：最優化方法（八）使用newton法解無約束最優化問題
chenglin li：最優化方法（九）遺傳演算法求一元函式的極值
chenglin li：最優化方法（十）遺傳演算法求二元函式的極值
chenglin li：最優化方法（十一）小蟲子賽跑遊戲
matlab實現粒子群演算法_matlab_qq_32515081的部落格-csdn部落格blog.csdn.net
% 初始化種群
f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函式表示式
figure(1)
ezplot(f,[0,0.01,20]);
n = 50; % 初始種群個數
d = 1; % 空間維數
ger = 100; % 最大迭代次數
limit = [0, 20]; % 設定位置引數限制
vlimit = [-1, 1]; % 設定速度限制
w = 0.8; % 慣性權重
c1 = 0.5; % 自我學習因子
c2 = 0.5; % 群體學習因子
for i = 1:d
x = limit(i, 1) + (limit(i, 2) - limit(i, 1)) * rand(n, d);%初始種群的位置
endv = rand(n, d); % 初始種群的速度
xm = x; % 每個個體的歷史最佳位置
ym = zeros(1, d); % 種群的歷史最佳位置
fxm = zeros(n, 1); % 每個個體的歷史最佳適應度
fym = -inf; % 種群歷史最佳適應度
hold on
plot(xm, f(xm), 'kx');title('初始狀態圖');
figure(2)
% 群體更新
iter = 1;
record = zeros(ger, 1); % 記錄器
while iter <= ger
fx = f(x) ; % 個體當前適應度
for i = 1:n
if fxm(i) < fx(i)
fxm(i) = fx(i); % 更新個體歷史最佳適應度
xm(i,:) = x(i,:); % 更新個體歷史最佳位置
end
endif fym < max(fxm)
[fym, nmax] = max(fxm); % 更新群體歷史最佳適應度
ym = xm(nmax, :); % 更新群體歷史最佳位置
endv = v * w + c1 * rand * (xm - x) + c2 * rand * (repmat(ym, n, 1) - x);% 速度更新
% 邊界速度處理
v(v > vlimit(2)) = vlimit(2);
v(v < vlimit(1)) = vlimit(1);
x = x + v;% 位置更新
% 邊界位置處理
x(x > limit(2)) = limit(2);
x(x < limit(1)) = limit(1);
record(iter) = fym;%最大值記錄
% x0 = 0 : 0.01 : 20;
% plot(x0, f(x0), 'b-', x, f(x), 'ro');title('狀態位置變化')
% pause(0.1)
iter = iter+1;
endplot(record);
title('收斂過程')
x0 = 0 : 0.01 : 20;
figure(1)
plot(x0, f(x0), 'k-');
hold on
plot(x,f(x),'ro','linewidth',3)
title('pso尋優')
disp(['最大值：',num2str(fym)]);
disp(['變數取值：',num2str(ym)]);
優化問題，凸優化，凸二次優化問題
首先 優化問題通常喜歡求解最小值min 如果要求max就給他轉換過來 如何來判斷乙個函式是否是凸函式呢？對於一元函式f x 我們可以通過其二階導數f x 的符號來判斷。如果函式的二階導數總是非負，即f x 0 則f x 是凸函式對於多元函式f x 我們可以通過其hessian矩陣 hessian矩陣...
dfp方法例題 最優化之DFP演算法考試題
最優化之 dfp演算法考試題 dfp.m 檔案function x,val,k dfp fun,gfun,x0 功能用 dfp演算法求解無約束問題 min f x 輸入x0 是初始點 fun,gfun 分別是目標函式及其梯度 輸出x,val 分別是近似最優點和最優值 k是迭代次數 maxk 1e5 ...
最優化方法 有約束優化問題C 實現
在可行域內，沿著目標函式的負梯度方向移動 沿著被破壞的約束的梯度方向與目標函式梯度方向的和向量移動。優化問題 minx 2 2 y 2 s.t.x y 4 起始點 z 1,4.5 固定步長k 1 由kkt條件可以解出 x 8 3,4 3 include include include include...