matlab最优化问题的函数fminbnd,fmincon,globalsearch,（multistart）（全局最优）（优化算法对比分析包括fit）

上一个博文中介绍了globalsearch和multistart的异同，以及选择时的参考，本文着重介绍multistart。

④multistart（全局最优）（找多个局部最小值）

下面这个例子在globalsearch中使用过，在这里可以只是换一下符号，再次使用。可以看出两个函数设置基本相同。
实例（六驼峰最小值问题）

rng default  ％对于再现性 
gs = multistart ;
fun6 = @（x）（4 * x（1）^ 2  -  2.1 * x（1）^ 4 + x（1）^ 6/3 ...
    + x（1）* x（2） -  4 * x（2）^ 2 + 4 * x（2）^ 4）;
problem = createOptimProblem（'fmincon'，'x0'，[ -  1,2]，... 
    'objective'，fun6，'lb'，[ -  3，-3]，'ub'，[3,3]） ;
[x,fval]  = run（gs，problem）

另一种表示
构造函数

function f = fun6(x)
f = （4 * x（1）^ 2  -  2.1 * x（1）^ 4 + x（1）^ 6/3 ...
        + x（1）* x（2） -  4 * x（2）^ 2 + 4 * x（2）^ 4）;
end

主优化程序

x0=[-1,2];
LB=[-3,-3];
UB=[3,3];
f = @(data)fun6(data);
problem = createOptimProblem('fmincon','objective',f,'x0',x0,'lb',LB,'ub',UB,'options',optimset('Algorithm','SQP','DISP','none');
gs = multistart;
[x,fval] = run(gs,problem);

算法比较

在fminbnd,fmincon,globalsearch,multistart,fit比较
fminbnd首先被淘汰，它只适合单参数求解，并且函数必须连续，对于简单数学问题还好，当然简单数学也不用matlab

第二个淘汰
fmincon和fit
我测试了一下，两个求得的结果相同，也就是说两个所用的优化方法基本是一致的，我不知道这个猜测是否准确，大家也可以自己测试一下。
网上说fit（用L-M 列文伯格-马夸尔特算法）算法，我自己亲自进去了函数内部看了下，它是通过构造海森矩阵等一系列工作进行求解的，把函数的拟合放在矩阵中，进行矩阵求解。
这两个算法都是局部最优，很容易受起始点选取影响。

最后说globalsearch和multistart
globalsearch直接是多个随机点，也就是有多个起始点，然后选取出最好的起始点，利用fmincon进行求解，这样避免了一个起始点陷入局部最优的情况。
multistart准确来说是用了更多的起始点，并且每个起始点都进行了求解，内部优化函数可以不局限于fmincon。
globalsearch比multistart快狠多，而且并不能说进行更多求解的multistart一定比globalsearch的结果好，因为两者都很有可能随机点落到最优点附近，也可能谁也没落到其中，要看谁好，就看谁更有可能落入最优点附近。

如果你机器好，可以并行，那么推荐multistart
如果你机器差，那么还是用globalsearch，多用几次，可能有一次刚好落到最优点。

开启multistart多核并行

%% Parallel Version
matlabpool open 4 %开启四个matlab并行计算
ms.UseParallel = 'always' %开启并行计算
tic
[bp,fvalp,exitflagp,outputp,solutionsp] = run(ms, problem, 1000);
 toc
matlabpool close

这里的1000代表有1000个起始点